Documentos de Académico
Documentos de Profesional
Documentos de Cultura
a
s
.
s
e
m
a
n
a
s
.
m
e
s
e
s
.
a
o
s
.
s
i
g
l
o
s
.local
.regional
.hemisfrico
.mundial
Magnitud mxima del problema
CO
CO , CH , H O, SF , HFCs, PFCs, HCFCs, CFCs
Ozono toposfrico
SO , NO , NO, NH , PM
SO , NO , NH , PM
Figura 2.5: Permanencia de los contaminantes en la atmsfera y magnitud del problema
que originan (Fuente: GEO4)
A continuacin se presenta una breve descripcin de las caractersticas de los con-
taminantes criterio; tales como: sus fuentes de emisin y los posibles efectos en la salud
humana.
Partculas (PM)
El trmino de partculas abarca un amplio espectro de sustancias orgnicas o in-
orgnicas (slidas y lquidas) dispersas en el aire y que proceden tanto de fuentes
naturales como articiales. El potencial de daos a la salud a causa de las partculas
suspendidas est directamente relacionado con el tamao de stas partculas. Entre
ms pequeo sea su dimetro aerodinmico, ms dainas estn consideradas, ya
que penetran con mucha mayor facilidad por el tracto respiratorio llegando a los
pulmones, donde permanecen depositadas en los alvolos pulmonares. En relacin
con sus efectos sobre la salud se suelen distinguir a las partculas PM
10
y PM
2,5
.
1. Las PM
10
(dimetro menor a 10 micrmetros por metro cbico (gr/m
3
)),
llamadas partculas gruesas, permanecen suspendidas por poco tiempo en la
atmsfera y debido a su peso, suelen depositarse cerca de la fuente emisora.
2. Las partculas PM
2,5
(dimetro menor a 2.5 micrmetros por metro cbico
Ing. Jos Miguel Barrn Adame
34 La Contaminacin Atmosfrica
(gr/m
3
)), llamadas partculas nas, por su dimetro pequeo son desplazan
a grandes distancias ayudadas por las corrientes de aire y alejarse de la fuente
de emisin.
Monxido de carbono (CO)
El monxido de carbono (CO) es un gas incoloro, inodoro e inamable que en con-
centraciones altas puede ser letal y altamente txico, pues impide el transporte del
oxgeno a la sangre, lo que puede ocasionar una reduccin signicativa en la dotacin
de oxgeno al corazn. El CO se forma en la naturaleza mediante la oxidacin del
metano (CH
4
), gas comn producido por la descomposicin de la materia orgnica.
Ozono (O
3
)
El ozono (O
3
) es un compuesto gaseoso incoloro, que posee la capacidad de ox-
idar materiales. El O
3
es un contaminante secundario que se forma mediante la
reaccin qumica del NO
2
y compuestos orgnicos voltiles (COV) en presencia de
la luz solar. El O
3
puede ocasionar inamacin pulmonar, depresin del sistema
inmunolgico frente a infecciones pulmonares, cambios agudos en la funcin, es-
tructura y metabolismo pulmonar y efectos sistmicos en rganos blandos como el
hgado.
Dixido de nitrgeno (NO
2
)
El Dixido de nitrgeno (NO
2
) y las partculas suspendidas son los responsables
de la capa caf-rojiza que se puede ver con frecuencia sobre muchas reas urbanas.
Este gas pertenece a los xidos de nitrgeno (NO
x
), trmino genrico comnmente
empleado para referirse a un grupo de gases altamente reactivos. El aumento pro-
gresivo en la exposicin al NO
2
puede producir problemas de percepcin olfativa,
molestias respiratorias, dolores respiratorios agudos y edema pulmonar.
Dixido de azufre (SO
2
)
Este contaminante se genera tanto en fuentes naturales como en las actividades pro-
ductivas que utilizan combustibles fsiles que contienen azufre como el combustleo
y en particular, el carbn [74]. El SO
2
pertenece a la familia de los xidos de azufre
(SO
x
) que son gases incoloros que se forman al quemar azufre y tienden a disolverse
Universidad Politcnica de Madrid
2.4 Contaminacin atmosfrica; conceptos bsicos 35
fcilmente en agua. La exposicin a SO
2
produce irritacin e inamacin aguda
o crnica de las mucosas conjuntival y respiratoria [71]. La gura 2.6 ilustra las
muertes prematuras por regin debidas a la exposicin de partculas PM
10
en el 2000.
frica
Asia y el Pacfico
Europa
Amrica Latina y el Caribe
Norteamrica
Asia Occidental
600
500
400
300
200
100
0
Miles
Figura 2.6: Muertes prematuras debido a la exposicin exterior urbana a PM
10
por regin
en 2000, (Fuente: GEO4)
La contaminacin del aire constituye una amenaza para la salud de los seres humanos y
otras formas de vida, adems de que provoca daos al patrimonio cultural expuesto a la in-
temperie y elevados costos de mantenimiento a los materiales y estructuras expuestos [75].
Los compuestos de azufre son responsables de los daos ms importantes ocasionados a
los materiales. Los aerosoles derivados del cido sulfrico y otros sulfatos, que constituyen
entre el 5 y 20 por ciento de las partculas en suspensin en el aire urbano, contribuyen
signicativamente a la reduccin de la visibilidad. Las PM
10
estn detrs de numerosas
enfermedades respiratorias, problemas cardiovasculares, y cancer de pulmn [76]. En la
ciudad de Salamanca el SO
2
y las PM
10
son los principales contaminates del aire.
2.4.2 Guas y Normas de la Calidad del Aire
Para cada contaminante criterio se han desarrollado guas y directrices [47, 77]. Las guas
son recomendaciones que establecen los niveles de exposicin a contaminantes atmosfri-
Ing. Jos Miguel Barrn Adame
36 La Contaminacin Atmosfrica
cos, a n de reducir los riesgos o proteger de los efectos nocivos. Las normas establecen
las concentraciones mximas de los contaminantes atmosfricos que se permiten durante
un perodo denido, estos valores lmite son diseados con un margen de proteccin
ante los riesgos y tienen la nalidad tanto de proteger la salud humana y como el ambiente.
Al transitar de las guas a las normas, se deben considerar los niveles prevalentes
de exposicin y las condiciones ambientales, sociales, econmicas y culturales de cada
nacin o regin. En ciertas circunstancias, puede haber razones vlidas para llevar a cabo
polticas que resulten en valores de normas por encima o por debajo de los valores gua.
Adicionalmente, en la formulacin de las normas se consideran otros factores, tales como la
capacidad de un pas o una regin para cumplir con los lmites establecidos; la inuencia de
las emisiones que se originan en otros pases o regiones (este caso es especialmente relevante
para pases pequeos, que pueden ser impactados por emisiones de sus pases vecinos);
los niveles de fondo de un contaminante; y la inuencia de condiciones meteorolgicas
extremas, que pueden causar picos de concentraciones [77, 78].
Guas de la calidad del aire
Los primeros valores gua publicados en 1987 y actualizadas en 1997, se referan al mbito
europeo. Las nuevas (2005), sin embargo, son aplicables a todo el mundo y se basan en
una evaluacin de pruebas cientcas actuales llevadas a cabo por expertos. [79, 80].
El propsito de las guas de la calidad del aire, es ofrecer un fundamento para proteger
la salud pblica de los efectos adversos de la contaminacin del aire y para eliminar
o minimizar aquellos contaminantes que son, o se sospecha que pueden ser, peligrosos
para la salud y el bienestar humano. Estas guas deben brindar informacin bsica a las
naciones que estn estableciendo sus normas de calidad del aire, aunque su utilidad no
se lmite a ello. Las guas no estn concebidas como normas.
El cuadro 2.1 resume los valores gua establecidos por la Organizacin Mundial de la
Salud, OMS para los contaminantes clsicos del aire.
Universidad Politcnica de Madrid
2.4 Contaminacin atmosfrica; conceptos bsicos 37
Contaminante Media Media de Media de Media de Media de
anual 24 hrs. 8 hrs. 1 hora 10 min.
PM
10
20 /m
3
50 /m
3
- - -
SO
2
- 20 /m
3
- - 500 /m
3
NO
2
40 /m
3
- - 200 /m
3
-
O
3
- - 100 /m
3
- -
CO - - 10 /m
3
30 /m
3
-
Plomo 0,5 /m
3
- - -
Cuadro 2.1: Lmites gua para los contaminantes criterio por la OMS
Normas de la calidad del aire
Las normas de la calidad del aire (NCA) constituyen el anlisis ms consensuado y
actualizado sobre los efectos de la contaminacin en la salud, y en ellas se recogen los
parmetros de calidad del aire que se recomiendan para reducir de modo signicativo
los riesgos sanitarios, inclusive, como se ha mensionado la de los grupos ms suscep-
tibles: nios, ancianos y personas con enfermedades respiratorias crnicas, entre otros [68].
Una norma de la calidad del aire describe un nivel de calidad del aire adoptado como
obligatorio por una autoridad reguladora. En trminos ms simples, se podra denir
en funcin de una o ms concentraciones y periodos de exposicin promedio. Otros
factores que deben considerarse al establecer una norma de la calidad del aire incluyen
la naturaleza de los efectos de la contaminacin, la probabilidad de que generen efectos
adversos sobre la salud y la posible existencia de poblaciones especiales en riesgo [61,71,73].
Las autoridades que establecen las normas de calidad del aire usualmente evalan
todas estas condiciones locales para determinar si el control de emisiones permite llegar
a los niveles establecidos en las normas o bien, a la frecuencia aceptable, que es el
nmero de veces que se permite exceder los niveles establecidos. La frecuencia aceptable
se establece para comparar los datos ms representativos de la calidad del aire de una
zona con los valores de la norma, y para minimizar los casos de incumplimiento de la
norma debido a circunstancias no controlables, como eventos climticos extremos [77].
El cuadro 2.2 muestran algunas de las normas establecidas en diferentes pases para los
contaminantes criterio, comparadas con los valores gua propuestos por la OMS.
Ing. Jos Miguel Barrn Adame
38 La Contaminacin Atmosfrica
Contaminante OMS
1
Unin Europea Estados Japn China
2
y media 2005 Unidos
SO
2
/m
3
1 hora 350 262 150
(24 al ao)
3 horas 1310
(1 al ao)
24 horas 125 125 365 104 50
(3 al ao) (1 al ao)
Media anual 50 20 79 20
NO
2
/m
3
1 hora 200 120
24 horas 75 - 113 80
Media anual 40 100 40
PM
10
/m
3
1 hora 200
24 horas 50 150 100 50
(35 al ao) (1 al ao)
Media anual 40 50 40
CO /m
3
1 hora 30000 40000 10000
(1 al ao)
8 horas 10000 10000 10000 22900
(1 al ao)
24 horas 11500 4000
O
3
/m
3
1 hora 180/240 240 120
8 horas 120 160
24 horas
Media anual
1
Valores gua de la OMS
2
Zona 1, rea residencial
Cuadro 2.2: Comparativa entre los valores gua propuestos por la OMS y las normas de
la calidad del aire para los contaminantes criterio en la Unin Europea (UE), Estados
Unidos de Amrica (EUA), Japn y China.
Las normas de calidad del aire se establecen con base en resultados de estudios toxi-
colgicos y epidemiolgicos que evalan la relacin entre la exposicin a un contaminante
y sus efectos en la salud. El establecimiento de normas de calidad del aire para ciertos
contaminantes conlleva intrnsecamente un grado de riesgo aceptable para la poblacin.
En muchos casos, las normas de calidad del aire son conservadoras, con el n de proteger
la salud de las poblaciones ms susceptibles [77].
Universidad Politcnica de Madrid
2.4 Contaminacin atmosfrica; conceptos bsicos 39
2.4.3 ndice de la Calidad del Aire (ICA)
Las concentraciones de los contaminantes en el aire se expresan en unidades como: partes
por milln (ppm), partes por billn (ppb) o micrmetros por metro cbico (g/m
3
). Dado
que estos trminos son poco familiares para la mayora de la poblacin, en Mxico y otros
pases se ha desarrollado un indicador de contaminacin. Este indicador es conocido como
ndice de la Calidad del Aire (ICA) (AQI, por sus siglas en ingls; Air Quality Index) [23].
La gura 2.7 muestra las categoras del AQI y su representacin dadas por la EPA.
Figura 2.7: Categoras y representacin del ICA designados por la EPA, (Fuente: EPA).
El ICA, es referido a cada concentracin de contaminante y calculado a partir de
informacin procedente de normas vigentes relacionadas con los distintos contaminantes
atmosfricos, cuyo principal objetivo es facilitar a la poblacin la comprensin de la
informacin relacionada con la contaminacin del aire. Sin embargo, de acuerdo a las
normas establecidas por cada pas, el ICA tiene diferentes clasicaciones, por ejemplo,
en el Reino Unido (RU), el ICA est dividido en cuatro categoras; baja, media, alta y
muy alta, las cuales tiene una clasicacin de 0 a 10, y representadas por los colores
verde, naranja, rojo y purpura respectivamente. En los Estados Unidos de Amrica
(EUA), el ICA esta dividido en seis categoras; Buena, moderada, insalubre para
grupos sensibles, insalubre, muy insalubre y peligrosa, las cuales tiene una clasicacin
de 0 a 500, y representadas por los colores verde, amarillo, naranja, rojo, violeta y marrn.
El cuadro 2.3 muestran las categoras dadas para el ndice de la Calidad del aire, as
como su clasicacin y el color relacionado para cada categora en RU, EUA y Espaa
respectivamente, que como ya se ha mencionado varan de acuerdo a las condiciones de
la zona en la que se encuentra.
Ing. Jos Miguel Barrn Adame
40 La Contaminacin Atmosfrica
Pas Categora Clasicacin Caracterizacin
(condiciones de la calidad (rango de valores (Descrita por el
del aire para la salud) para la calidad del aire) color)
RU
1
. . .
Baja 1 a 3 Verde
Media 4 a 6 Naranja
Alta 7 a 9 Rojo
Muy alta 10 Violeta
EUA
2
. . .
Buena 0 a 50 Verde
Moderada 51 a 100 Amarillo
Insalubre para 101 a 150 Naranja
grupos sensibles
Insalubre 151 a 200 Rojo
Muy insalubre 201 a 300 Violeta
Peligroso 301 a 500 Marrn
Espaa . . .
Buena 0 - 50 Verde
Admisible 51 - 100 Amarillo
Mala 101 - 150 Rojo
Muy mala >150 Marrn
1
RU; Reino Unido
2
EUA; Estados Unidos de Amrica
Cuadro 2.3: Categoras, clasicacin y colores relacionados con el ndice de la Calidad de
Aire en el Reino Unido (RU), Estados Unidos de Amrica (EUA) y Espaa.
En la ciudad de Mxico el indicador de contaminacin del aire empleado es el
ndice Metropolitano de la Calidad del Aire (IMECA) [81] basado en el Pollutant
Standard Index (PSI ) utilizado en los Estados Unidos [52], segn el cual la concentracin
mxima permisible que seala la norma de calidad del aire para cada contaminante le
corresponde a 100 puntos IMECA [82]. Por tanto, la poblacin sabe que cuando cualquier
contaminante sobrepasa los 100 puntos IMECA de ese ndice, es que se ha superado la
norma correspondiente, y la calidad del aire se considera como no satisfactoria. Entre
150 y 200 puntos IMECA la calidad del aire es mala y por arriba de los 200 puntos (el
doble de la norma) es muy mala.
La obtencin del IMECA se basa en la utilizacin de funciones lineales segmentadas
que corresponden a los estndares primarios de calidad del aire de los Estados Unidos.
Universidad Politcnica de Madrid
2.4 Contaminacin atmosfrica; conceptos bsicos 41
Cuando se elabor el IMECA en Mxico no existan Normas Ociales Mexicanas de cali-
dad del aire, ni criterios de episodios, ni de dao signicativo; sin embargo, esta dicultad
fue superada a travs del desarrollo de puntos de quiebre basados en informacin local,
utilizando la misma losofa con la que se deni el PSI [83]. Las variables seleccionadas
para su inclusin en el IMECA fueron las mismas que las del PSI y se consider la
informacin disponible en Mxico, seleccionando el CO, O
3
, NO
2
, PST, PM
10
y SO
2
.
La funcin que dene al IMECA se expresa de la siguiente manera:
IMECA = Max(I
CO
, I
NO
2
, I
PST
, I
PM
10
, I
SO
2
) (2.1)
Donde I es el subndice individual de cada uno de los contaminantes.
El cuadro 2.4 detalla los valores en los que el IMECA esta dividido para los principales
contaminantes del aire, el cuadro 2.5 se muestran los colores asignados a los diferentes
niveles del IMECA, mientras que en el cuadro 2.6 se presentan las Normas Ociales
Mexicanas para los mismos contaminantes atmosfricos.
PST PM
10
SO
2
NO
2
CO O
3
IMECA (24 hrs) (24 hrs) (24 hrs) (1 hr) (8 hrs) (1 hr)
g/m
3
ppm ppm ppm ppm ppm
100 260 150 0.13 0.21 11 0.11
200 546 350 0.35 0.66 22 0.23
300 627 420 0.56 1.1 31 0.53
400 874 510 0.78 1.6 41 0.48
500 1000 600 1.00 2.00 50 0.60
Cuadro 2.4: Puntos de quiebre del ndice Metropolitano de la Calidad de Aire (IME-
CA) establecidos por autoridades ambientales mexicanas para los contaminantes del aire.
(Fuente: Secretaria del Medio Ambiente; Sistema de Monitoreo Atmosfrico)
Ing. Jos Miguel Barrn Adame
42 La Contaminacin Atmosfrica
IMECA Categora Caracterizacin
(rango de valores (condiciones de la calidad (Descrita por el color)
para la calidad del aire) del aire para la salud)
0 a 50 Buena Verde
51 a 100 Regular Amarillo
101 a 150 Mala Naranja
151 a 200 Muy mala Rojo
ms de 200 Extremadamente mala Violeta
Cuadro 2.5: Comparacin de las categoras, clasicacin y los colores relacionados para el
ndice Metropolitano de la Calidad de Aire (IMECA).
Contaminante Norma g/m
3
Especicacin
341 - Promedio mvil de 24 horas
SO
2
NOM-022-SSA1-1993 una vez al ao.
79 - Media aritmtica anual.
120 - Una vez al ao en 24 horas.
PM
10
NOM-025-SSA1-1993
50 - Media aritmtica anual.
- En una hora una vez al ao,
O
3
NOM-020-SSA1-1993 216 en un periodo de 3 aos.
- Promedio mvil de 8 horas
CO NOM-021-SSA1-1993 12595 una vez al ao.
NO
2
NOM-023-SSA1-1993 395 - En una hora una vez al ao.
Pb NOM-026-SSA1-1993 1.5 - Promedio aritmtico en 3 meses.
Cuadro 2.6: Normas de la calidad del aire y concentraciones permitidas para los contam-
inantes ambientales criterio en Mxico. (Fuente: Secretaria de Salud; Normas Ociales
Mexicanas. (http://portal.salud.gob.mx/))
2.5 Factores meteorolgicos y contaminacin
atmosfrica
Se ha demostrado que episodios severos de contaminacin no son atribuidos a repentinos
incrementos en las concentraciones de contaminantes sino a ciertas condiciones meteo-
rolgicas las cuales disminuyen la habilidad de la atmsfera para dispersar las concentra-
Universidad Politcnica de Madrid
2.5 Factores meteorolgicos y contaminacin atmosfrica 43
ciones [8487]. Por otro lado, una gran variedad de sistemas basados en modelos empricos,
causales, estadsticos e hbridos han sido propuestos para interpretar y modelar los efectos
de las variables meteorolgicas en las concentraciones de contaminantes para llevar a cabo
o prevenir acciones durante episodios de contaminacin [68].
Por ejemplo, en un estudio llevado a cabo en Shanghai (China), se implemento un per-
ceptrn multicapa (MLP) que emplea variables meteorolgicas para predecir el promedio
diario del ndice de la Calidad del Aire para las concentraciones de Partculas Suspendi-
das Totales (TSP), SO
2
y NO
x
[88]. Los autores emplearon las concentraciones mximas
y promedios diarios de la temperatura, la presin atmosfrica, la humedad relativa, del
viento, de la cobertura de nubes y de la precipitacin para el entrenamiento del MLP. En
otro estudio, se implemento en la ciudad de Palermo (Italia) un modelo basado en una
Red Neuronal Celular (CNN) y un conjunto de redes neuronales bayesianas para analizar
la distribucin y el control de la contaminacin atmosfrica [89]. El modelo emplea con-
centraciones de PM
10
y variables meteorolgicas, tales como; lluvia, humedad relativa y
velocidad y direccin de viento medidos en diferentes horas del da. En los resultados, los
autores obtuvieron un error del 22 % en la prediccin de la contaminacin atmosfrica
para el da siguiente. En otro estudio, llevado a cabo en la zona urbana de Mong Kok
(Hong Kong) en el 2006, se combino la tcnica de Anlisis de Componentes Principales
(PCA) y una red neuronal de Funcin de Base Radial (RBF) para predecir las concen-
traciones de Partculas, NO
x
y NO
2
[90]. En el estudio, la tcnica de PCA correlaciona
las variables meteorolgicas de velocidad y direccin de viento, temperatura y radiacin
solar con las concentraciones de los contaminantes para reducir las variables de entrada
al RBF. Los autores obtuvieron los mejores resultados de prediccin cuando las variables
meteorolgicas tuvieron un mayor efecto en las concentraciones de los contaminantes.
Recientemente, las RNA han experimentado un considerable progreso para modelar
sistemas que relacionan la calidad del aire y variables meteorolgicas [8892]. Los Mapas
Autoorganizados (SOM), un tipo de RNA con aprendizaje no supervisado es uno de los
algoritmos comnmente usados en numerosos estudios que relacionan la calidad del aire
con situaciones meteorolgicas [2530].
Por ejemplo, la red SOM fue combinada con un MLP para predecir la calidad del aire
Ing. Jos Miguel Barrn Adame
44 La Contaminacin Atmosfrica
en la ciudad de Estocolmo para las concentraciones de NO
2
[25]. En este caso, la SOM
fue usada por los autores para entender la relacin de las variables con las que se entrena
el MLP. Con la combinacin de la SOM y el MLP en los resultados se obtienen buenas
predicciones para la calidad del aire. En la ciudad de Taiwan, otro estudio utilizo a la
SOM con el propsito de clasicar las concentraciones de PM
10
[26]. Con la red SOM los
autores identicaron las estaciones de supervisin con concentraciones de PM
10
similares.
Los resultados de este estudio fueron usados para decidir las estrategias de control en
diferentes zonas de Taiwan. En otro estudio, combino a la red SOM y el algoritmo de k-
means para modelar la calidad del aire y clasicar de acuerdo al nivel de contaminacin los
diferentes distritos de la ciudad de Pardubice (Republica Checa) en cinco clases [27]. Las
clases obtenidas fueron evaluadas con la calidad del aire y las condiciones de dispersion
para las concentraciones de SO
2
, NO
2
, CO, O
3
y PM
10
. Los autores clasican la cali-
dad del aire como excelente, bueno, favorables, satisfactorio, malo y muy malo mientras
que las condiciones de dispersion en favorable, ligeramente desfavorable y desfavorable.
Recientemente, la SOM ha sido empleada para predecir la concentracin horaria de con-
taminantes (NO
2
, O
3
, CO y PM
10
) en la ciudad de Zagreb (Croacia) [28] o para evaluar
las capacidades de un sistema de supervisin de la calidad del aire en la ciudad de Bilbao
(Espaa) [29]. En el primero, la metodologa desarrollada considera a las variables me-
teorolgicas de direccin y velocidad de viento, presin baromtrica y temperatura como
elementos cualitativos de entrada del modelo. En el segundo, la metodologa identica la
redundancia de sensores y evala las capacidades del sistema de supervisin para entender
y representar las concentraciones de SO
2
en la ciudad.
2.6 Salamanca: Caso de estudio
El Municipio de Salamanca se localiza en la parte central del estado de Guanajuato
y est situado a 20
o
34 13 de latitud norte y 101
o
11 50 de longitud oeste, a una
altura de 1,721 metros sobre el nivel del mar; tiene una supercie de 774 km
2
que
corresponde al 2.5 % de la supercie total del estado [93]. Salamanca, tiene carac-
tersticas muy particulares como centro generador de energa, pero tambin como una
fuente importante de emisiones de contaminantes a la atmsfera, que junto con las
condiciones meteorolgicas y climatolgicas que dicultan la dispersion de contami-
Universidad Politcnica de Madrid
2.6 Salamanca: Caso de estudio 45
nantes, hacen indispensable la aplicacin de medidas de gran impacto en la regin.
La gura 2.8, muestra la ubicacin de la ciudad de Salamanca en el estado de Guanajuato.
Figura 2.8: Ubicacin geogrca de la ciudad de Salamanca en el estado de Guanajuato
A partir de la segunda mitad del siglo XX Salamanca tuvo un importante desarrollo
industrial con la instalacin de la Renera Ing. Antonio M. Amor (RIAMA) y la Central
Termoelctrica de la Comisin Federal de Electricidad (CFE), las cuales son parte del
desarrollo econmico de la regin, adems de ser una fuente de energa local, regional y
nacional. La actividad industrial registrada en el municipio desde mediados de la dcada
de 1950 propicio un acelerado crecimiento de la poblacin en torno a los centros industri-
ales con lo que se multiplicaron las inversiones pblicas y privadas para la concentracin
de infraestructura y de establecimientos comerciales y de servicios y, aunado a lo anterior,
la regin ha mantenido una gran actividad agrcola. Los diferentes sectores industriales
que se encuentran en Salamanca incluyen el sector elctrico (Central Termoelctrica de
Salamanca, abasteciendo gran parte del territorio nacional), el sector petrolero (Renera
Ing. Jos Miguel Barrn Adame
46 La Contaminacin Atmosfrica
Ing. Antonio M. Amor, con ms de 53 plantas), y otras instalaciones industriales que
pertenecen a los sectores qumico, metalrgico, cementero, de alimentos y textil. Asimis-
mo, se lleva a cabo comnmente la quema de residuos agrcolas [21].
Los efectos ambientales en el aire de Salamanca son graves y se han hecho importantes
esfuerzos por medir las concentraciones de los contaminantes ms importantes para
tratar de mitigar este problema [21]. Actualmente, en Salamanca se encuentra instalada
la Red de Monitorizacin Atmosfrica de Salamanca (REDMAS) (ver gura 2.9) [94], la
cual obtiene informacin de forma automtica y continua de las concentraciones de los
contaminantes atmosfricos y parmetros meteorolgicos, informacin que es validada
por el Instituto de Ecologa del Estado de Guanajuato (IEEG).
La ubicacin fsica de las estaciones de monitorizacin de la REDMAS son:
1. Estacin Cruz Roja, la cual se encuentra instalada en la Avenida Faja de Oro esquina
Ezequiel Ordez No. 100, a un costado del edicio de la Cruz Roja.
2. Estacin de Nativitas, la cual est ubicada en la Avenida Jurez No. 1198 colonia
Nativitas, en las instalaciones de la Escuela Primaria 15 de Septiembre.
3. Estacin DIF, localiza en la calle Rosario Castellanos No. 104, en las ocinas del
sistema municipal para el Desarrollo Integral de la Familia (D.I.F.).
La Estacin Cruz Roja fue instalada en 1999, la Estacin DIF se instal en el ao 2000
y, por ltimo, la Estacin nativitas inici su operacin en el ao 2002. En cada estacin
se miden en forma continua los contaminantes criterio y las variables meteorolgicas
sealados en el cuadro 2.7.
2.6.1 Programa de contingencias ambientales
Como se ha mencionado, las normas de calidad del aire constituyen el marco de referencia
para la evaluacin, prevencin y control de la contaminacin atmosfrica ya que dichas
normas establecen los niveles o umbrales de concentracin de contaminantes bajo los
cuales se considera que no se presentan impactos adversos sobre la salud de la poblacin.
Universidad Politcnica de Madrid
2.6 Salamanca: Caso de estudio 47
DENSIDAD DE POBLACIN
Baja (100 - 2,000)
Media (2,001 - 4,000)
Alta (4,001 - 8,000)
Refinera
Industria
Generacin de energa
Figura 2.9: Distribucin geogrca de Red de Monitorizacin Atmosfrica de Salamanca
(Fuente: SINAICA)
En Mxico, el gobierno federal, por conducto de la Secretara de Salud, es quien establece
los lmites permisibles de concentracin de contaminantes a travs de las Normas Ociales
Mexicanas.
Actualmente en Salamanca, el principal instrumento para la gestin del aire es el
Programa para Mejorar la Calidad del Aire en Salamanca 2007-2012, mejor
conocido como PROAIRE [95]. El programa PROAIRE tiene el objetivo de reducir
los niveles de contaminacin presentes en Salamanca por medio de la incorporacin de
medidas concretas para abatir y controlar las emisiones de contaminantes. En este pro-
Ing. Jos Miguel Barrn Adame
48 La Contaminacin Atmosfrica
O
3
SO
2
CO NO
x
PM
10
CH
4
WD WS T
o
HR PB RD
Cruz Roja ppb ppb ppm ppb mugr/m
3
ppm
o
m/s
o
C % milibar W/m
2
DIF ppb ppb ppm ppb mugr/m
3
-
o
m/s
o
C % milibar W/m
2
Nativitas ppb ppb ppm ppb mugr/m
3
ppm
o
m/s
o
C % milibar W/m
2
g/m
3
- micrmetros por metro cubico WS - velocidad del viento ppb - partes por billn NM - No Monitorizado
w/m
2
- watts por metro cuadrado PB - presin baromtrica % - por ciento RD - radiacin solar
m/s - metros sobre segundo
o
C - grados centgrados mbar - milibares PP - precipitacin
WD - direccin del viento ppm - partes por millon
o
- grados mm - milmetros
Cuadro 2.7: Registro de contaminantes atmosfricos, variables meteorolgicas y unidades
de medida en las estaciones de monitorizacin de la REDMAS de Salamanca. (Fuente:
Instituto de Ecologa del Estado de Guanajuato, 2006)
grama, se encuentran establecidas tres fases operativas: Precontingencia Ambiental,
Contingencia Ambiental Fase I y Contingencia Ambiental Fase II ). Los
lmites mximos y mnimos de estas fases se muestran en el cuadro 2.8. Considerando
estos lmites, la investigacin en sta Tesis Doctoral basa la evaluacin de los experimentos.
2.6.2 Contaminantes atmosfricos en Salamanca
La ciudad de Salamanca, Gto., se encuentra catalogada como una de las ms contami-
nadas en Mxico [65, 96, 97]. Al igual que en muchas de las ciudades con problemas de
contaminacin, en Salamanca se deben a fuentes jas de emisin como son industrias
qumicas y de generacin elctrica. En los ltimos aos varios episodios de contaminacin
se han presentado en la ciudad de Salamanca, cuando en varias ocasiones la Norma
Ocial Mexicana NOM-085-ECOL-1994 de contaminacin atmosfrica, ha sido
sobrepasada [11]. Las guras 2.10 y 2.11 muestran el nmero de dias en los que el SO
2
y
PM
10
superaron el lmite mnimo permitido.
Los efectos ambientales en el aire de Salamanca son graves y se han hecho impor-
tantes esfuerzos por medir las concentraciones de los contaminantes ms importantes
para tratar de mitigar este problema [95]. Dos de los principales contaminantes que
han registrado altas concentraciones en Salamanca son, el dixido de azufre (SO
2
) y
las partculas menores a 10 micrmetros (PM
10
). Las concentraciones de SO
2
en el
aire son debidas al uso de combustible con una alta concentracin de Azufre, mien-
Universidad Politcnica de Madrid
2.6 Salamanca: Caso de estudio 49
Precontingencia Ambiental
Contaminantes Activacin Desactivacin
SO
2
Nivel igual o mayor a 145 ppb Niveles Menores a 145 ppb
y menor a 225 ppb
PM
10
Nivel igual o mayor a 150 g/m
3
Niveles Menores a 150 g/m
3
y menor a 255 g/m
3
SO
2
Cuando de manera simultanea se Cuando de manera simultanea se
y tienen niveles mayores a 145 ppb tienen niveles menores a 145 ppb
PM
10
de SO
2
y 150 g/m
3
de PM
10
de SO
2
y 150 g/m
3
de PM
10
Contingencia Ambiental Fase I
Contaminantes Activacin Desactivacin
SO
2
Nivel igual o mayor a 225 ppb Niveles Menores a 145 ppb
y menor a 305 ppb
PM
10
Nivel igual o mayor a 255 g/m
3
Niveles Menores a 150 g/m
3
y menor a 354 g/m
3
SO
2
Cuando de manera simultanea se Cuando de manera simultanea se
y tienen niveles mayores a 225 ppb tienen niveles menores a 145 ppb
PM
10
de SO
2
y 255 g/m
3
de PM
10
de SO
2
y 150 g/m
3
de PM
10
Contingencia Ambiental Fase II
Contaminantes Activacin Desactivacin
SO
2
Nivel igual o mayor a 305 ppb Niveles Menores a 145 ppb
PM
10
Nivel igual o mayor a 354 g/m
3
Niveles Menores a 150 g/m
3
SO
2
Cuando de manera simultanea se Cuando de manera simultanea se
y tienen niveles mayores a 305 ppb tienen niveles menores a 145 ppb
PM
10
de SO
2
y 354 g/m
3
de PM
10
de SO
2
y 150 g/m
3
de PM
10
Cuadro 2.8: Niveles de activacin y desactivacin de las Contingencias Ambientales (Pre-
contingencia, Fase I y Fase II) en la ciudad de Salamanca. (Concentraciones en promedios
mviles de 24 hrs.)
tras que las concentraciones de PM
10
son generadas por polvo, materias orgnicas y
sobre todo por una mala combustin en las calderas de los generadores de energa elctrica.
2.6.3 ndice de la Calidad del aire
Como ya se ha mencionado, dado que los trminos en los que se expresan las concen-
traciones de los contaminantes atmosfricos son poco familiares para la mayora de
la poblacin, se ha desarrollado el un ndice de la Calidad del Aire (ICA), indicador
de contaminacin que se comprende ms fcilmente, un indicador se dene como un
Ing. Jos Miguel Barrn Adame
50 La Contaminacin Atmosfrica
Figura 2.10: Nmero de das en los que el SO
2
supero el lmite mnimo en Salamanca,
(www.ecologia.guanajuato.gob.mx).
Figura 2.11: Nmero de das en los que las PM
10
superaron el lmite mnimo para este
contaminante en Salamanca, (www.ecologia.guanajuato.gob.mx).
valor que cuantica y simplica un fenmeno, y que ayuda a entender condiciones
complejas [98]. El ICA se elabora en base a los lmites mximos y mnimos establecidos
por las autoridades ambientales, y para el caso de Salamanca estos niveles estn descritos
en el cuadro 2.8, mientras que la gura 2.12 ilustra los colores con los que se identican
estos niveles de contaminacin.
Universidad Politcnica de Madrid
2.6 Salamanca: Caso de estudio 51
Figura 2.12: Niveles, colores y etapas para el ICA en la ciudad de Salamanca.
Ing. Jos Miguel Barrn Adame
Captulo 3
Fusin de Datos de Sensores (FDS)
54 Fusin de Datos de Sensores (FDS)
3.1 Introduccin
La amplia literatura e inters sobre la fusin de multiples sensores desde 1980 muestra su
gran desarrollo en numerosos artculos, revistas y libros [99]. De estos trabajos se inere
la necesidad de mejorar la calidad de la informacin utilizada en cualquier aplicacin.
En lugar de utilizar un nico sensor, aunque sea de alta precisin, es preferible el
uso de varios sensores (aunque sean de menor precisin) que sean complementarios
o redundantes. Esto permite disponer de diversas medidas que aseguran la abilidad
de los datos, evitando errores, mejoran el tiempo de respuesta y ayudan a una mejor
interpretacin de lo que se esta observando.
La gran mejora observada al utilizar sistemas con multiples sensores en diversas
aplicaciones tales como el reconocimiento de entorno, ayuda al diagnostico mdico,
procesamiento de imgenes, etc., ha provocado un creciente inters por investigadores
en diversas areas de conocimiento (robtica, inteligencia articial, estadstica, etc.)
y propiciado el desarrollo de nuevas tcnicas (redes bayesianas, lgica difusa, redes
neuronales articiales, etc.). En muchas aplicaciones no existe una nica solucin sino
que depende del modelo utilizado y de la interpretacin que se desee realizar de este, por
lo tanto su diseo debe ser claro y sencillo de forma que permita una fcil adaptacin,
no slo de los sensores disponibles, sino que tambin permita modicar el modelo del
entorno o cualquier otro algoritmo que sea necesario.
El presente captulo ofrece los aspectos ms destacables de la fusin de datos de sen-
sores (FDS) o sistemas de multiples sensores. Se sealan muchas de las tcnicas de fusin
existentes, normalmente dependientes de los sensores involucrados y se muestra que no
existe un mtodo ideal para realizar la fusin. Esto nos ayudara a comprender la amplia
variedad de aplicaciones existentes, diseadas explcitamente para una gran variedad de
situaciones distintas. Se destaca la importancia de las aplicaciones de fusin de datos,
siendo estas las aplicaciones militares, que van desde sistemas en tiempo real basados en
microprocesadores empotrados en armamento militar hasta sosticados sistemas expertos
de reconocimiento de tropas y armamento enemigo [100], y las civiles, como sistemas de
control remoto, diagnstico mdico y robtica [101, 102].
Universidad Politcnica de Madrid
3.2 Fusin de Datos de Sensores 55
3.2 Fusin de Datos de Sensores
El termino Fusin es fcil de entender, este signica: integracin de informacin de
multiples fuentes para producir un nico archivo con el objetivo de entender mejor
el fenmeno de estudio (actividad o evento) y proveer informacin ms unicada,
conable y precisa [12, 103, 104]. Es importante, distinguir entre integracin y fusin
de multiples sensores. Integracin de multiples sensores se reere al uso de la informa-
cin que proporcionan distintos dispositivos sensoriales para ayudar a la consecucin
de una tarea del sistema. Fusin de multiples sensores, por otra parte, se reere a
cualquier estado en el proceso de integracin donde hay una combinacin (o fusin)
de diferentes fuentes de informacin sensorial en un cierto formato comn. De estas
deniciones puede deducirse que muchos sistemas que realzan integracin de multiples
sensores utilizan la informacin de los distintos sensores para guiar la operacin de otros o
para cooperar en la consecucin de una tarea comn pero sin que nunca lleguen a fusionar.
El sistema ms intuitivo que realiza integracin y fusin de multiples sensores es
el ser humano, que hace uso de sus cinco sentidos para interpretar el entorno que le
rodea [105]. Esto signica que, un sistema de integracin y fusin de multiples sensores
se ocupa de generar el estimulo sensorial que represente a un conjunto de medidas de
diversos sensores. Posteriormente este estimulo es analizado para encontrar que estado
del mundo se corresponde con un estimulo semejante. La fusin o integracin de medidas
produce una medida mejorada del entorno observado, es decir, una medida ms clara o
precisa que cada uno de sus componentes, pero que su cometido no es interpretar dicha
informacin.
La integracin de multiples sensores es imprescindible para nuestra supervivencia. Sin
embargo, debe tenerse en cuenta que la integracin de multiples sensores no siempre es
beneciosa, sino que depende de la integridad y abilidad de los sensores utilizados e
incluso su ecacia varia dependiendo de las situaciones en las que se aplique. Un caso
de integracin de multiples sensores que nos lleve a una observacin equivocada es un
ventrlocuo y su mueco, cuando los observamos, la informacin visual (movimientos de
labios del mueco) y la informacin auditiva (la voz del ventrlocuo) son integradas dando
Ing. Jos Miguel Barrn Adame
56 Fusin de Datos de Sensores (FDS)
la sensacin de que el mueco habla [106].
A pesar de este ejemplo y muchos otros, las ventajas de la integracin de multiples
sensores son muchas, lo que lleva a utilizarla siempre que sea posible, en nuestros sistemas
inteligentes. La gura 3.1, ilustra el ejemplo se fusin del cerebro y los sentidos antes
mencionado.
Figura 3.1: El cerebro humano y los sistemas de percepcin como un ejemplo del proceso
de fusin de Sensores.
As la fusin de sensores pretende obtener un resultado de mejor calidad, a partir de
mltiples sensores, eventualmente heterogneos, realizando inferencias que pueden no ser
posibles a partir de uno solo.
3.3 Ventajas de la Fusin de Sensores
El objetivo de un sistema de fusin de sensores es proporcionar una evaluacin exacta
de la situacin, de modo que se puedan tomar acciones apropiadas. Se puede cuanticar
la ventaja de un sistema de sensores sobre un nico sensor en trminos de mejora en la
capacidad de evaluacin de la situacin. Hay muchos factores que contribuyen a la mejora
en la realizacin de un sistema cuanticable y a la mejora de la utilidad del sistema
total [107, 108]. Algunos de ellos son:
Universidad Politcnica de Madrid
3.4 Fusin de Multiples sensores 57
Fiabilidad y robustez. Los sistemas de multiples sensores tienen una redundancia.
Debido a la disponibilidad de datos de mltiples sensores, la realizacin del sistema
es mejorada. Cuando uno o ms sensores fallan, o son incapaces de operar debido a
interferencia tal como el atasco el sistema puede continuar operando a un nivel de
realizacin reducido (degradacin agraciada).
Cobertura. La utilizacin de mltiples sensores permite un aumento en alcance, al
mismo tiempo espacial y temporal. Mltiples sensores pueden observar una regin
mayor que la observada por un nico sensor.
Conabilidad. Los sensores pueden conrmar las inferencias de los otros sensores,
por eso, aumenta la conanza en la ltima inferencia de sistema. Tambin, se pueden
excluir algunas inferencias para generar un conjunto reducido de opciones factibles,
por eso, reduce el esfuerzo requerido para buscar la mejor solucin.
Respuesta en Tiempo. Puesto que los mltiples sensores renen ms datos, se
puede obtener un nivel prescrito de realizacin en tiempos ms cortos.
Resolucin. El uso de sensores con diferentes resoluciones puede producir una
inferencia con mejor resolucin que con nico sensor.
3.4 Fusin de Multiples sensores
La fusin de multiples sensores es un proceso sencillo en cuanto a su concepto se reere,
pero enormemente complejo en su implementacin [103]. La esencia de la fusin es el
manejo de la incertidumbre asociada a los datos que se fusionan, pero teniendo en cuenta
que no es el nico factor a considerar en el desarrollo de sistemas de fusin de datos. Por
un lado, la aplicacin especica determina el fenmeno observado y los tipos de sensores
utilizados. Por otro lado, cada aplicacin implica el tipo de razonamiento que se debe
realizar sobre lo medido. Este razonamiento conduce a la bsqueda y aplicacin de las
tcnicas necesarias. Por ejemplo, los sistemas de ayuda en la estimacin de la posicin,
velocidad y atributos de un objeto [109], o en el seguimiento de otros [110].
Ing. Jos Miguel Barrn Adame
58 Fusin de Datos de Sensores (FDS)
Otros factores que inuyen en el desarrollo de sistemas de fusin son las decisiones a
tomar en tiempo real, el nmero de inferencias que se realizan por unidad de tiempo, la
velocidad de llegada de los datos, el nmero y el tipo de sensores, etc. Estas restricciones,
como ocurre en el control de un objeto en tiempo real, nos induce a utilizar ciertas tcnicas
frente a otras que necesitan mayor tiempo de procesamiento. Finalmente, la capacidad de
los sensores, las restricciones en la comunicacin y el sistema de procesamiento o fusin
tambin afectan a la eleccin de la arquitectura escogida.
Todos los factores enumerados anteriormente, como diversidad de aplicaciones,
necesidades de tiempo real, sensibilidad de los sensores, etc., implican un amplio abanico
de estructuras de control para manejar esa disparidad de fuentes de informacin; cada
una implica una tcnica distinta de integracin de los datos sensados. Las arquitecturas
que se utilizan poseen muchos puntos en comn, pero en la mayora de los casos no son
reutilizadas para otras aplicaciones, fundamentalmente debido a su fuerte dependencia
de los sensores empleados. Por tanto es conveniente distinguir que tipo de procesos de
fusin podemos implementar, que clase de informacin se puede fusionar, como puede
ser tratada y que arquitectura de fusin y control puede utilizarse.
3.5 Modelos de fusin
La multitud de modelos de fusin [111113] y la variedad de aplicaciones existentes dan
lugar a una gran riqueza de sistemas de fusin. Estos se orientan segn la aplicacin, los
datos medidos o el tipo de tratamiento de los datos. As, para comprender mejor que es la
fusin de datos y como puede ser aplicada en cada caso es conveniente revisar que tipos
de procesos podemos distinguir y que tipo de informacin se puede fusionar.
3.5.1 Fusin a nivel funcional (Modelo JDL)
La divisin de los procesos de fusin desde el punto de vista de su funcionalidad fue
realizada por primera vez por la comisin Data Fusion de la Junta de Directores de
Laboratorios (JDL, por sus siglas en ingles; Joint Directors of Laboratories). Esta
comisin se constituyo en 1986 e integraba a los principales grupos de trabajo en
Universidad Politcnica de Madrid
3.5 Modelos de fusin 59
fusin de datos. Su nalidad era unicar la terminologa existente referente a fusin y
proporcionar un marco de trabajo comn. La comisin desarrollo un modelo para denir
los procesos de fusin. Este modelo estaba integrado por cuatro niveles de fusin siendo
posteriormente adicionado un quinto nivel [114]. Estos niveles van desde la captura de
los datos hasta el resultado nal, incluyendo la interaccin de dichos resultados con
el receptor y/u operador. Este modelo, como muestra la gura 3.2 est orientado a la
funcionalidad de los procesos.
Figura 3.2: Modelo de fusin JDL u orientado a niveles
Nivel 0: Pre-procesado de las fuentes
Los datos de las fuentes son habitualmente pre-procesados para una fusin
posterior, ltrando datos o alinendolos temporalmente u otras acciones previas.
Este proceso lo lleva a cabo, por lo general, el software asociado a cada uno de
los sensores comerciales de forma independiente del resto de sensores. Se puede
considerar as una pre-fusin. Es a este nivel donde cada uno de los sensores aporta
sus datos obtenidos de forma independiente del resto.
Ing. Jos Miguel Barrn Adame
60 Fusin de Datos de Sensores (FDS)
Nivel I: Evaluacin del objeto
Combinacin de los datos de los sensores para obtener posicin, velocidad, atributos
y caractersticas de la entidad. Siendo la entidad, en transporte, por ejemplo un
vehculo, un incidente de traco o la congestin.
Los algoritmos de este nivel son:
1. Alineacin de datos: Ajustes espacio-tiempo y de unidades para posibilitar un
procesamiento posterior.
2. Correlacin Dato/Objeto: Asociacin y correlacin para permitir la correcta
agrupacin de los datos.
3. Estimacin de posicin, cinemtica y otros atributos del objeto: Mediante la
combinacin de modelos fsicos y supuestos estadsticos para la obtencin del
Vector de Estado.
4. Estimacin de la identidad del objeto: Obtencin de la entidad mediante
mtodos paramtricos (Bayes, Dempster-Shafer), no paramtricos (redes neu-
ronales) o de lgica difusa.
Nivel II: Evaluacin de la situacin
Interpretacin de los resultados del nivel anterior, en nuestro caso si se determina
en el paso anterior que las velocidades son bajas podemos interpretar que estamos
en un estado de congestin. Las tcnicas ms adecuadas para este nivel son la
Inteligencia Articial (IA) y el razonamiento automtico.
Los algoritmos de este nivel son:
1. Agregacin de objetos: Agregar los datos de cada una de las identidades para
una visin global de la situacin.
2. Interpretacin contextual: Tener en cuenta los factores externos al estudio que
pueden afectar de forma indirecta (en nuestro caso principalmente los factores
climatolgicos).
Universidad Politcnica de Madrid
3.5 Modelos de fusin 61
3. Evaluacin multiperspectiva: Observacin global del problema, desde el exte-
rior e interior.
Nivel III: Evaluacin del futuro
Proyeccin de futuro de la entidad analizada a partir de la situacin actual.
Los modelos utilizados para este nivel son la inteligencia articial, los modelos
predictivos, el razonamiento automtico y la estimacin estadstica.
Los algoritmos de este nivel son:
1. Estimacin/Agregacin de capacidad de fuerza: Agregacin de la informacin
de diversos subsistemas para determinar sus interrelaciones y la robustez del
sistema.
2. Estimacin de implicaciones: Resultados de una hipottica accin sobre el sis-
tema.
3. Evaluacin multi-perspectiva: Anloga al del nivel 2, observacin del sistema
desde el exterior e interior.
Nivel IV: Proceso de renamiento
Meta-proceso que supervisa todo el proceso de fusin de datos para mejorar el
rendimiento del proceso en tiempo real, mediante la optimizacin de la utilizacin
de recursos, la modelizacin sensorial y la computacin de medidas de perfec-
cionamiento.
Este nivel se considera parcialmente dentro-fuera del proceso de fusin, ya que
este renamiento es necesario para el correcto funcionamiento de la fusin y de las
operaciones a la que este destinada la fusin de datos.
Los algoritmos de este nivel son:
1. Gestin de la misin: Direccin de los recursos existentes con el n de obtener
los resultados deseados.
Ing. Jos Miguel Barrn Adame
62 Fusin de Datos de Sensores (FDS)
2. Prediccin de Entidad: Denir que entidades especicas debe reconocer el pro-
ceso.
3. Requerimientos de las fuentes: Denir la infraestructura necesaria de las fuentes
para que puedan identicar las entidades.
4. Modelizacin del rendimiento del sistema: Denir la estructura del sistema de
fusin de datos, la relacin entre fuentes, los componentes de procesamiento,
etc.
5. Control del sistema: Tal como control de multi-objetivos y optimizacin.
Nivel V: Renamiento cognitivo
Mejora del sistema de fusin a partir de la relacin Sensor-Procesamiento-Persona.
Proyectando modelos en los que la representacin de los resultados (ya sean interme-
dios o nales) permitan al operador identicar posibles errores en el procesamiento,
y que este previamente haya podido detectar errores en los datos suministrados por
los sensores.
Sin considerar que tienen la entidad de los niveles antes mencionados hay que tener
en cuenta tambin:
Sistema de gestin de la base de datos
Es un punto clave dada la gran cantidad de datos que se manejan durante el proceso.
Para desarrollar esta funcin ser necesario un considerable esfuerzo computacional,
destacando que el software comercial habitual es incapaz de gestionar el problema
completo de fusin
Interaccin Humano/Ordenador
Este elemento, considerado externo a la fusin, es importante en el proceso de fusin.
Ya que una correcta interfaz del sistema, ser clave para el renamiento cognitivo.
3.5.2 Fusin a nivel de representacin
Cuando se realiza fusin, los datos pueden provenir de distintos sensores en un mismo
instante de tiempo o de un nico sensor a lo largo de un cierto periodo. La fusin realizada
Universidad Politcnica de Madrid
3.5 Modelos de fusin 63
con estos datos puede clasicarse segn el tipo de informacin recibida, en tres niveles:
de datos, de caractersticas y de decisin [112, 115]. Cada uno de estos niveles tambin se
caracterizar por como es modela la informacin y por los mtodos de fusin que utiliza:
la mayora de los sensores proporciona datos que pueden fusionarse en uno o ms de estos
niveles. La clave est en encontrar un mtodo que permita realizar de forma sencilla la
fusin de estos tipos de datos. A continuacin se describe cada uno de ellos, mientras que
son ilustrados en las guras 3.3, 3.4 y 3.5.
Fusin a nivel de datos:
Esta fusin se realiza directamente sobre los datos capturados por los sensores. La condi-
cin que se debe cumplir es que los datos a funcionar sean de caractersticas similares y
correspondientes (por ejemplo, que los sensores estn midiendo el mismo fenmeno fsico,
tales como dos sensores de imgenes o dos sensores de seales acsticas). Se usan sensores
equivalentes o dos medidas del mismo sensor en distintos instantes de tiempo. Se usa para
estimaciones y eliminacin o reduccin de ruido. Tambin llamada fusin de bajo nivel,
de seal, de observacin o de pxel para el caso de aplicaciones en imgenes [116].
SENSOR
1
SENSOR
2
SENSOR
N
...
FUSIN
EVALUACIN
RESULTADO
NIVEL DE
P
R
O
C
E
S
A
M
I
E
N
T
O
DATOS
Figura 3.3: Fusin a nivel de datos.
Fusin a nivel de caractersticas:
Tambin llamado fusin de nivel intermedio, este nivel combina varios vectores de
caractersticas representativas provenientes de varios sensores (fuentes de datos crudos,
Ing. Jos Miguel Barrn Adame
64 Fusin de Datos de Sensores (FDS)
diferentes tiempos, etc.). El objetivo es encontrar caractersticas relevantes entre carac-
tersticas disponibles que pueden provenir de varios mtodos de extraccin. El objetivo
es obtener un nmero limitado de caractersticas relevantes en un simple vector de
caractersticas.
SENSOR
1
SENSOR
2
SENSOR
N
...
Extraccin de Caractersticas
FUSIN
EVALUACIN
RESULTADO
NIVEL DE
P
R
O
C
E
S
A
M
I
E
N
T
O
CARACTERSTICAS
Figura 3.4: Fusin a nivel de caractersticas.
Fusin a nivel de decisin:
Tambin llamado fusin de alto nivel. Este nivel de fusin combina decisiones provenientes
de expertos. Los expertos pueden otorgar un grado de conanza. Cada sensor realiza un
proceso de declaracin de identidad basado solo en sus propios datos de fuente nica.
Es decir, cada sensor convierte atributos de objetivos observados en una declaracin
preliminar de identidad de objetivo.
3.6 Arquitecturas de fusin
Una caracterstica importante de la fusin de datos de sensores normalmente encontrada
en la literatura es su arquitectura [104, 105, 117]. Pueden usarse tres alternativas bsicas
Universidad Politcnica de Madrid
3.6 Arquitecturas de fusin 65
SENSOR
1
SENSOR
2
SENSOR
N
...
Extraccin de Caractersticas
Identificacin de Caractersticas
FUSIN
EVALUACIN
RESULTADO
NIVEL DE
DECISIN
P
R
O
C
E
S
A
M
I
E
N
T
O
Figura 3.5: Fusin a nivel de decisin
para la fusin de datos de sensores: la arquitectura en serie, en paralelo y en rbol. Estas
tres arquitecturas se describen a continuacin y son ilustradas respectivamente en las
guras 3.6 y 3.7.
3.6.1 Arquitectura en serie
Una estructura muy popular es la serie o tndem. En este caso, las observaciones de los
sensores estn temporalmente separadas. Esta separacin es debida a la naturaleza del
problema bajo consideracin.
Sensor Sensor Sensor
F U S I N
1 2
N
Figura 3.6: Arquitectura de fusin de datos en serie.
3.6.2 Arquitectura en paralelo
La conguracin en paralelo es la arquitectura ms comn y estudiada. En esta cong-
uracin, los diferentes sensores hacen observaciones concurrentes. Los sensores pueden
Ing. Jos Miguel Barrn Adame
66 Fusin de Datos de Sensores (FDS)
separarse espacialmente o pueden colocarse dependiendo de la aplicacin.
SENSOR
1
SENSOR
2
SENSOR
N
...
FUSIN
Figura 3.7: Arquitectura de fusin de datos en paralelo.
3.6.3 Arquitectura en rbol
Adems de las arquitecturas bsicas (paralelo y serie), existe una combinacin de estas,
la arquitectura en rbol. En la mayora de los casos, la arquitectura es dictada por la
aplicacin en cuestin.
3.7 Aplicaciones de la Fusin de datos de Sensores
La fusin de multiples sensores es una tcnica utilizada de forma natural por los seres
vivos, que a lo largo de su evolucin, han desarrollado la capacidad de utilizar combinada-
mente la informacin procedente de diferentes sensores para sobrevivir. Adems, desde
hace dcadas se ha estado realizando en diferentes campos de conocimiento, aunque sin
identicar los procesos realizados como tcnicas de fusin de multiples sensores.
Sin embargo, la aparicin de la fusin como un concepto y disciplina con carcter
propio fue diseada para aplicaciones militares aunque en la actualidad es aplicada tanto
en militares como civiles (no militares) [12, 103105, 117].
La terminologa y algoritmos desarrollados inicialmente como aplicaciones militares,
se han extendido a otras reas de conocimiento; como industria, agricultura, exploraciones
submarinas o espaciales, etc. [12] donde se requieren sistemas completamente autnomos.
Por lo tanto, un mayor desarrollo de los sistemas sensoriales utilizados en las distintas
aplicaciones (dotndolos de mltiples sensores redundantes o complementarios) llevar
Universidad Politcnica de Madrid
3.7 Aplicaciones de la Fusin de datos de Sensores 67
a un incremento en la autonoma, seguridad, calidad y versatilidad de sus operaciones.
A continuacin se describen algunas de las distintas aplicaciones de los sistemas de fusion.
3.7.1 Militares
La fusin de multiples sensores ha tenido siempre un gran inters y desarrollo en
aplicaciones militares [103, 104], incluyendo la deteccin, localizacin, seguimiento e
identicacin de objetivos militares tanto jos como en movimiento, dichos objetivos
pueden ser barcos, aviones, armas y misiles. Entre las aplicaciones militares se pueden
destacar:
Campo de batal la, sistemas expertos que realizan complejos razonamientos sobre los
datos obtenidos para indicar la posicin del enemigo, la peligrosidad de la situacin,
intenciones de tropas enemigas, etc. [104].
Supervivencia en el ocano. Los sistemas de supervivencia en el ocano son re-
sponsables de monitorizar las actividades realizadas en el ocano, estas incluyen
el seguimiento e identicacin de submarinos, torpedos o misiles y la comunicacin
entre vehculos [112].
Sistemas de defensa por aire y tierra. Los sistemas de defensa por aire y tierra, tiene
el objetivo de localizar, identicar aviones, armas y misiles anti-areos [118, 119].
Estos sistemas necesitan una clara representacin de la situacin para poder tomar
decisiones con seguridad. Estos sistemas utilizan mltiples sensores para mejorar su
resolucin como son, radar, infrarrojos, visin, etc.
3.7.2 Civiles (No militares)
Por otro lado, las aplicaciones civiles o no militares de fusin de multiples sensores
incluyen: las espaciales, las industriales, las mdicas, el control remoto [12], etc. Como
ejemplo de ellas podemos destacar en el caso de las aplicaciones espaciales (incluyendo
aplicaciones en deteccin y seguimiento de cuerpos en el espacio (astros) o el aire
Ing. Jos Miguel Barrn Adame
68 Fusin de Datos de Sensores (FDS)
(aviones), localizacin por satlites, GPS (Global Positioning System) u otros sensores,
etc. Aunque la mayora de estos sistemas podran incluirse en mayor o menor medida
como aplicaciones militares, se describen aparte para poner de maniesto su utilizacin
no militar.
Deteccin y seguimiento: Para estos sistemas, las tcnicas militares pueden ser apli-
cadas. De hecho, el problema es fcil, ya que en lugar de objetivos hostiles y no
cooperativos, es aplicado a objetivos no hostiles, como en el control de trco areo
en aeropuertos [120, 121], o sistemas de localizacin y seguimiento de vehculos en
sistemas de seguridad [122, 123].
Para el caso de las aplicaciones industriales, es necesario dotar a un robot de multiples
sensores para aumentar su capacidad sensorial, dotndole de mayores prestaciones para
conseguir un funcionamiento ms seguro, preciso y verstil [124]. El tipo de sensores ms
empleados en robtica industrial son los sensores de fuerza, de proximidad y alcance, de
contacto, visin articial y de medidas de variables de inters (temperatura, presin, etc.).
Manipulacin de materiales En esta aplicacin, podemos incluir los robots
autnomos mviles empleados para carga, descarga y transporte de materiales,
piezas y herramientas tanto en entornos cerrados como abiertos [124]. Otros robots
distintos son los robots con habilidades parecidas a las de los humanos [125, 126].
En aplicaciones mdicas, los mdicos usan rutinariamente las tcnicas de fusin in-
tegrando informacin obtenida por observaciones visuales, termmetros, estetoscopios,
etc., aplicaciones ms sosticadas como rayos-X, resonancia magntica nuclear e im-
genes acsticas son cada vez ms empleadas para un diagnstico ms exacto basado en
la fusin de informacin.
Especcamente, podemos destacar la ayuda al diagnostico con sistemas expertos
[127, 128] y los sistemas robticos semi-autnomos como ayudantes en cirugas o
microciruga [129131]
Universidad Politcnica de Madrid
3.7 Aplicaciones de la Fusin de datos de Sensores 69
Aplicaciones clsicas y nuevas que conducen a distintas aproximaciones en el
tratamiento de informacin y de los distintos aspectos de la fusin de la informacin,
como son: tcnicas de inteligencia articial (lgica difusa, redes neuronales articiales,
etc.) y uso de bases de conocimiento, tcnicas de procesamiento de seal y teora de la
estimacin, tcnicas estadsticas o probabilsticas, tcnicas heursticas, etc.
La percepcin de cualquier agente inteligente est muy relacionada con el tipo de de
fuente de informacin disponible, es decir, con los sensores utilizados. Esto implica que
cualquier aplicacin que necesite diversos sensores deba utilizar alguna tcnica de fusin
sensorial, pero su eleccin est muy condicionada por los sensores empleados. Adems,
stos pueden ser muy diverso y la forma de tratar su informacin muy variable por
lo que el sistema de fusin empleado (mtodo de fusin) suele ser particular de cada
problema concreto y no puede ser adaptable a otro tipo de problema. Esto provoca
que los distintos algoritmos desarrollados solo puedan ser usados en un conjunto muy
restrictivo de aplicaciones y en muchos casos incluso solo el problema tratado.
Ing. Jos Miguel Barrn Adame
Captulo 4
Redes Neuronales Articiales y
Mapas Autoorganizados
72 Redes Neuronales Articiales y Mapas Autoorganizados
4.1 Introduccin
En los ltimos veinte aos, las Redes Neuronales Articiales han emergido como
una potente herramienta para el modelado estadstico orientada principalmente al
reconocimiento de patrones. Las redes neuronales articiales poseen una serie de
caractersticas admirables, tales como la habilidad para procesar datos con ruido o
incompletos, la alta tolerancia a fallos que permite a la red operar satisfactoriamente con
neuronas o conexiones daadas y la capacidad de responder en tiempo real debido a su
paralelismo inherente.
El presente captulo ofrece una breve introduccin al paradigma de las Redes
Neuronales Articiales. Concretamente se describe uno de los sistemas neuronales
ms conocidos y empleados, los mapas autoorganizados de Kohonen. Este tipo de red
neuronal, mediante un aprendizaje no supervisado, es de gran utilidad en el campo del
anlisis exploratorio de datos, debido a que son sistemas capaces de realizar anlisis de
agrupamientos, representar densidades de probabilidad y proyectar un espacio de alta
dimensin sobre otro de dimensin mucho menor.
Detalladamente, el captulo introduce en la Seccin 4.2 a las Redes Neuronales. La
Seccin 4.3 presenta una resea histrica de las mismas a lo largo de los ltimos veinte
aos. La Seccin 4.4 presenta los conceptos bsicos. La Seccin 4.5 presenta la clasicacin
de las Redes Neuronales. En la Seccin 4.6 presenta los mecanismos de aprendizaje. La
Seccin 4.7 introduce como un aprendizaje no supervisado a los mapas autoorganizados,
dentro de la cual se describen su arquitectura, su algoritmo de entrenamiento y las
mtricas empleadas para el mismo, la funcin y zonas de vecindad entre neuronas. Fi-
nalmente, en la seccin 4.8 se presentan algunas de las aplicaciones de las redes neuronales.
Universidad Politcnica de Madrid
4.2 Redes Neuronales Articiales (RNA) 73
4.2 Redes Neuronales Articiales (RNA)
El cerebro es el rgano en el que se alojan las habilidades cognoscitivas de los seres
humanos. Puede decirse que el cerebro es un elemento de procesamiento de la informacin
extremadamente complejo, cuyo modo de funcionamiento es eminentemente paralelo y
cuyo comportamiento no puede describirse por medio de modelos sencillos como son los
lineales.
Una Red Neuronal Articial (RNA) (ANN, por sus siglas en ingls; Articial Neural
Networks) puede verse como una mquina diseada originalmente para modelizar la
forma en la que el cerebro realiza una determinada tarea. Su capacidad de aprendizaje
a travs de ensayos repetidos, las ha hecho muy populares en una amplia variedad de
aplicaciones en todas las ciencias [17]. Las RNA no son modelos anatmicos exactos de
sistemas nerviosos biolgicos, pero pueden ser considerados como modelos siolgicos.
En otras palabras, ellas no pretenden imitar la actividad neuronal desde el punto de
vista qumico o molecular, sino modelar la funcin de las redes biolgicas, aunque
sea a un nivel muy simple. Para lograr esto, una RNA est formada por un conjunto
de unidades de procesamiento interconectadas llamadas neuronas. Una RNA es un
procesador distribuido en paralelo, que puede ltrar y procesar informacin y obtener
una decisin. El uso de las RNA ofrece muchas propiedades y capacidades, como el
aprendizaje adaptativo, autoorganizativas, funcionamiento en paralelo en tiempo real y
tolerancia de fallos por la redundancia de informacin, y tambin pueden aprender y
generalizar a casos nuevos que no estaban incluidos durante el proceso de diseo.
4.3 Historia de las Redes Neuronales Articiales
La historia de las RNA suele jar su origen en los trabajos de McCul loch y Pitts [132].
Sin embargo, existen trabajos que abrieron el camino a estos investigadores. Entre
estos podemos destacar al realizado por Karl Lashley en los aos 20. En su trabajo de
1950 se resume su investigacin de 30 aos; destaca que el proceso de aprendizaje es
un proceso distribuido y no local a una determinada rea del cerebro. Un estudiante
Ing. Jos Miguel Barrn Adame
74 Redes Neuronales Articiales y Mapas Autoorganizados
de Lashley, D. Hebb recoge el testigo de su maestro y determina una de las reglas de
aprendizaje ms usadas en la regla del conexionismo y que, lgicamente, se conoce con
el nombre de aprendizaje hebbiano [133]. En su postulado de aprendizaje, Hebb sigue
lo sugerido por Ramn y Cajal al armar que la efectividad de una sinapsis variable
entre dos neuronas se incrementa por una repetida activacin de una neurona sobre otra
a travs de esta sinapsis. Desde un punto de vista neurosiolgico la regla planteada
por Hebb sera una regla variante-temporal, con un alto mecanismo interactivo de
la actividad pre y post sinptica. Desde un punto de vista conexionista la regla de
Hebb es un tipo de aprendizaje no supervisado (no se necesita ningn maestro) en el
que las conexiones entre dos neuronas se incrementan si ambas se activan al mismo tiempo.
La siguiente contribucin a considerar es el trabajo de McCul loch y Pitts [132]. En
este trabajo se ja lo que se conoce como neurona de McCulloch-Pitts. Este tipo de
neurona es un dispositivo binario (salida 0 1), tiene un umbral de funcionamiento por
debajo del cual est inactiva y puede recibir entradas excitadas o inhibidas cuya accin
es absoluta: si existe alguna de estas entradas la neurona permanece inactiva. El modo
de trabajo es simple, si no existe ninguna entrada inhibida se determina la resultante de
las entradas excitadas y si sta es mayor que el umbral, la salida es 1 y si no, la salida es
0. Dado el estado de la neurosiologa en 1943, el modelo de McCulloch-Pitts se acercaba
a lo conocido por esa poca acerca de la actividad sinptica neuronal.
Rochester, Hol land, Haibt y Duda presentan en 1956 un trabajo prctico en el que, por
primera vez, se verica mediante simulaciones una teora neuronal basada en el postulado
de Hebb [134]. En este trabajo, se hicieron varias suposiciones que, inicialmente, no esta-
ban en el trabajo de Hebb. Por ejemplo se acot el valor de las sinapsis que, en principio,
poda crecer sin lmite. En 1958 se producen las aportaciones de Selfridge y Rosenblatt.
Estas contribuciones plantean implementaciones fsicas de sistemas conexionistas. En
su trabajo Selfridge plantea el sistema conocido como Pandemonium. Este sistema
consta de una serie de capas compuestas por lo que se conocen como demonios. Cada
una de las diferentes capas de este sistema se reparten las diferentes tareas a realizar [135].
Universidad Politcnica de Madrid
4.3 Historia de las Redes Neuronales Articiales 75
Por su parte, Rosenblatt, quince aos despus del estudio de McCulloch-Pitts,
presenta una nueva aproximacin al problema de reconocimiento de patrones mediante la
introduccin del perceptrn [136]. Rosenblatt, plante un dispositivo que realizara tareas
que le interesaran a los psiclogos (l lo era). El hecho que fuera una mquina capaz de
aprender la haca irresistiblemente atractiva para los ingenieros.
En 1960 Widrow y Ho presentan su ADALINE. Estas siglas tienen una historia
curiosa: cuando las redes neuronales estaban en su mximo apogeo eran el acrnimo de
Adaptive Linear Neuron; cuando las cosas empezaron a ir mal para las redes neuronales
pero este sistema se segua usando por los buenos resultados obtenidos con l se cambi
a Adaptive Linear Element [137]. El sistema planteado por Widrow estaba regido por un
algoritmo de aprendizaje muy sencillo denominado LMS (Least Mean Square). Con este
trabajo se propone un sistema adaptativo que puede aprender de forma ms precisa y
rpida que los perceptrones existentes. El trabajo de Widrow permiti el desarrollo de un
rea del procesado digital de seales (control de sistemas) que se conoce con el nombre
de procesado (control) adaptativo.
Block presenta en 1962 un trabajo que estudia los perceptrones ms concretamente,
presenta resultados sobre el perceptrn MARK I con 400 dispositivos receptores foto-
sensitivos dispuestos en una matriz de 20 por 20 con un conjunto de 8 unidades de salida.
El trabajo de Minsky y Papert, titulado Perceptrons paraliz durante 10 aos los avances
de la inteligencia articial. El trabajo, puso de maniesto las limitaciones de los percep-
trones. Estas limitaciones hacan referencia a la clase de problemas que se podan resolver
usando estos elementos [132]. Minsky y Papert demostraron que un perceptrn slo poda
resolver problemas linealmente separables que, para desgracia de los conexionistas, son
los menos. Adems expusieron sus opiniones sobre las extensiones de los perceptrones (a
sistemas multicapa); ellos plantearon su absoluta inutilidad prctica. En el momento de
la publicacin, Minsky y Papert trabajaban en otro campo de la inteligencia articial. Sin
embargo, como se demostr ms tarde, se equivocaron en sus conjeturas. El trabajo de
Minsky y Papert supuso una paralizacin sobre temas conexionistas, sin embargo algunos
investigadores continuaron trabajando.
Ing. Jos Miguel Barrn Adame
76 Redes Neuronales Articiales y Mapas Autoorganizados
Kohonen y Anderson proponen el mismo modelo de memoria asociativa de forma
simultnea. A modo de demostracin de los diferentes campos de conocimiento que
engloban los sistemas conexionistas. En el modelo articial planteado la neurona es un
sistema lineal que usa como regla de aprendizaje la regla de Hebb modicada.
En 1980, Stephen Grossberg, establece un nuevo principio de auto-organizacin desar-
rollando las redes neuronales conocidas como ART (Adaptive Resonance Theory). Gross-
berg ha planteado diferentes modelos neuronales que han presentado una gran utilidad
prctica (principalmente en el campo del reconocimiento de patrones). En 1982 J. Hop-
eld publica un trabajo que resurge a las redes neuronales. Gran parte del impacto de
este trabajo se debi a la fama de Hopeld como distinguido fsico terico. Hopeld de-
sarrolla la idea del uso de una funcin de energa para comprender la dinmica de una red
neuronal recurrente con uniones sinpticas simtricas. En este primer trabajo, Hopeld
slo permite salidas bipolares (0 1). En un trabajo posterior ampla la funcin energa
planteada para estos sistemas permitiendo la salida continua de las neuronas. En el mismo
ao de 1982 Kohonen publica un importante artculo sobre mapas autoorganizados que
se ordenan de acuerdo a unas simples reglas. El aprendizaje del modelo planteado, no
necesita de un maestro (aprendizaje no supervisado).
Al ao siguiente, en el nmero especial sobre modelos neuronales de la revista espe-
cializada IEEE Transactions on Systems, Man and Cybernetics, aparecen dos trabajos de
gran importancia en el desarrollo de las redes neuronales. Fukushima, Miyake e Ito pre-
sentan una red neuronal, el Neocognitron, de tal forma que combinando ideas del campo
de la siologa, ingeniera y de la teora neuronal crean un dispositivo que es capaz de ser
aplicado con xito en problemas de reconocimiento de patrones. Este trabajo, y de ah lo
de Neo, supone un perfeccionamiento de un modelo anterior presentado por los mismos
autores y conocido como Cognitron. Este sistema fue probado con la tarea de identicar
nmeros escritos a mano. El segundo trabajo, presentado por Barto, Sutton y Anderson
estudia el aprendizaje reforzado y su aplicacin en control. En este trabajo se plantea
este nuevo tipo de aprendizaje en el que, a diferencia de trabajos anteriores sobre modelos
supervisados, no es necesario un conocimiento total del error cometido por la red; lo nico
que se necesita es conocer el signo del error.
Universidad Politcnica de Madrid
4.4 Conceptos bsicos de las Redes Neuronales 77
En 1986 aparece un trabajo que, junto al de Hopeld, resucitar el inters por las
redes neuronales. En este trabajo Rumelhart, Hinton y Wil liams, desarrollan el algoritmo
de aprendizaje de retropropagacin (backpropagation) para redes neuronales multicapa
dando una serie de ejemplos en los que se muestra la potencia del mtodo desarrollado.
A partir de ese ao, el nmero de trabajos sobre redes neuronales ha aumentado
exponencialmente apareciendo un gran nmero de aportaciones tanto a los mtodos de
aprendizaje como a las arquitecturas y aplicaciones de las redes neuronales. Se podra
destacar de entre todas estas aportaciones el trabajo de Broomhead y Lowe y el de
Poggio y Girosi sobre el diseo de redes neuronales en capas usando RBF (Radial Basis
Functions), el trabajo intensivo desarrollado sobre las mquinas de vectores soporte, el
desarrollo de la unin entre elementos neuronales y difusos y, por ltimo, los trabajos
sobre neuronas de pulsos (spike neurons) [138, 139]. Finalmente hay que hacer mencin
a uno de los motores en el desarrollo de las redes neuronales: la prediccin en series
temporales. Una generalizacin de las redes TDNN (orientadas especialmente para ser
usadas con series temporales) la realiz Eric A. Wan. En su trabajo los pesos sinpticos,
conexiones sinpticas, eran ltros digitales [140].
En la actualidad, el progreso en redes neuronales ha sido suciente para atraer la
atencin de muchos investigadores. Diferentes aplicaciones son posibles con RNA para la
solucin de problemas complejos. Las redes con mapas auto-organizados. de Kohones y
fuzzy [141], se presentan como redes predominantes en esta poca. Conseguir disear y
construir mquinas capaces de realizar procesos con cierta inteligencia ha sido uno de los
principales objetivos de los cientcos a lo largo de la historia.
4.4 Conceptos bsicos de las Redes Neuronales
Como lo implica su nombre, una red neuronal articial consiste en una red de neuronas
articiales interconectadas. El concepto se basa vagamente en cmo pensamos que
funciona el cerebro.
Un cerebro consiste en un sistema de clulas interconectadas, las cuales son, aparente-
Ing. Jos Miguel Barrn Adame
78 Redes Neuronales Articiales y Mapas Autoorganizados
mente, responsables de los pensamientos, la memoria y la conciencia. Las neuronas se
conectan a muchas otras neuronas formando uniones llamadas sinapsis. Las seales elec-
troqumicas se propagan de una neurona a otra a travs de estas sinapsis. Las neuronas
demuestran plasticidad: una habilidad de cambiar su respuesta a los estmulos en el tiem-
po, o aprender.
4.4.1 Denicin de una Red Neuronal
Existen numerosas formas de denir a las redes neuronales; desde las deniciones cortas y
genricas hasta las que intentan explicar ms detalladamente qu son las redes neuronales.
Por ejemplo:
1. Forma de computacin, inspirada en modelos biolgicos.
2. Modelo matemtico compuesto por un gran nmero de elementos procesales orga-
nizados en niveles.
3. Sistema de computacin compuesto por un gran nmero de elementos simples, ele-
mentos de procesos muy interconectados, los cuales procesan informacin por medio
de su estado dinmico como respuesta a entradas externas.
4. Redes interconectadas masivamente en paralelo de elementos simples (usualmente
adaptativos) y con organizacin jerrquica, las cuales intentan interactuar con los
objetos del mundo real del mismo modo que lo hace el sistema nervioso biolgico.
4.4.2 La neurona articial
Una neurona articial se puede describir individualmente de la siguiente manera:
Recibe una serie de entradas (sean datos originales o salidas de otras neuronas).
Cada entrada llega a travs de una conexin que tiene una cierta fuerza, o peso,
que equivale a la eciencia sinptica de una neurona biolgica. Cada neurona tiene
tambin un determinado valor de umbral. La suma ponderada de las entradas menos
el valor de umbral componen la activacin de la neurona (tambin conocida como
Potencial Post-Sinptico -PPS- de la neurona).
Universidad Politcnica de Madrid
4.4 Conceptos bsicos de las Redes Neuronales 79
La seal de activacin pasa a travs de una funcin de activacin o funcin de
transferencia, para producir la salida de la neurona.
La neurona articial consta como se ve en la gura 4.1 de varias partes. Por un
lado estn las entradas, los pesos, el sumatorio, y nalmente la funcin adaptadora.
Los valores de las entradas se multiplican por unos pesos y se suman:
i
W
ij
X
i
. Esta
funcin suma se completa con la suma de un umbral
i
. Este umbral tiene el mismo
efecto que una entrada con valor 1. Sirve para que la suma pueda estar desplazada a
izquierda o derecha del origen. Despus de la suma, tenemos la funcin de activacin (o
transferencia) f que se aplica al conjunto resultando el valor nal de la salida (y
i
).
.
.
.
.
.
.
X
X
X
X
S
1
2
n
Entradas
Cuerpo celular
Dendritas
Sinapsis
Umbral
Axn
Salida
-1
W
W
W
W
i
i
i
i1
2
j
n
qi
f
( )
y
i
y
i =
y
i
f
( )
W
ij
X qi S j
j
-
Figura 4.1: Esquema de una neurona articial
Funciones de activacin o transferencia
Una neurona biolgica puede estar activa (excitada) o inactiva (no excitada); es decir,
que tiene un estado de activacin. Las neuronas articiales tambin tienen diferentes
estados de activacin; algunas de ellas solamente dos, al igual que las biolgicas, pero otras
pueden tomar cualquier valor dentro de un conjunto determinado. La funcin activacin
o transferencia calcula el estado de actividad de una neurona; transformando la entrada
global (menos el umbral,
i
) en un valor (estado) de activacin, cuyo rango normalmente
va de (0 a 1) o de (1 a 1). Esto es as, porque una neurona puede estar totalmente
inactiva (0 o 1) o activa (1). La funcin de activacin es la que dene nalmente la
salida de la neurona.
Las funciones de activacin ms comnmente utilizadas se detallan a continuacin:
Ing. Jos Miguel Barrn Adame
80 Redes Neuronales Articiales y Mapas Autoorganizados
1. Funcin Escaln: La funcin escaln es una funcin discontinua cuyo valor es 0 para
cualquier argumento negativo, y 1 para cualquier argumento positivo. La funcin
escaln representa una seal que se activa en un tiempo especco, y se queda
activada indenidamente. Esta funcin crea neuronas que clasican las entradas en
dos categoras diferentes, caracterstica que le permite ser empleada en la red tipo
Perceptrn. La gura 4.2(a) representa la forma de esta funcin.
Funcin escaln
1
1 -1
a
0
n
a =
_
1 Si n 0
-l Si n < 0
(4.1)
Figura 4.2: Funcin escaln
2. Funcin Lineal: La funcin lineal , tambin llamada funcin identidad, se utiliza
cuando no se desea acotar la salida de la neurona (la salida de una funcin de
transferencia lineal es igual a su entrada) y no tiene lmites en su rango. La funcin
de transferencia lineal es utilizada en la red neuronal de tipo Adaline. La funcin
lineal tiene la forma
Funcin lineal
1
1 -1
a
0
n
a = n (4.2)
Figura 4.3: Funcin lineal
3. Funcin Sigmoidal: Las funciones sigmoidales son un conjunto de funciones
crecientes, montonas y acotadas que provocan una transformacin no lineal de su
Universidad Politcnica de Madrid
4.4 Conceptos bsicos de las Redes Neuronales 81
argumento. La funcin sigmoidal es comnmente usada en redes multicapa, como
la Backpropagation. La funcin sigmoidal es denida por:
Funcin sigmoidal
1
1 -1
a
0
n
a =
_
1
1 e
n
_
(4.3)
Figura 4.4: Funcin sigmoidal
La eleccin de la funcin de activacin depende fuertemente del algoritmo de
aprendizaje que se vaya a utilizar.
4.4.3 Arquitectura de las Redes Neuronales
Se denomina arquitectura a la topologa, estructura o patrn de conexin de una RNA.
En una RNA los nodos se conectan por medio de sinapsis, estando el comportamiento
de la red determinado por la estructura de conexiones sinpticas. Estas conexiones
sinpticas son direccionales, es decir, la informacin solamente puede propagarse en
un nico sentido (desde la neurona presinptica a la pos-sinptica). En general las
neuronas se suelen agrupar en unidades estructurales que denominaremos capas (layers).
El conjunto de una o ms capas constituye la red neuronal.
En muchas de las arquitecturas de redes neuronales se puede hacer la siguiente distin-
cin entre las capas:
Capa de entrada. Es la capa que recibe y almacena los estmulos o informacin del
entorno suministrada a la red. No suele tener asociado un mecanismo de aprendiza-
je, es decir, sus pesos se mantienen constantes, y su misin simplemente es la de
distribuir dicha entrada al resto de los elementos de proceso que constituyen la red.
Ing. Jos Miguel Barrn Adame
82 Redes Neuronales Articiales y Mapas Autoorganizados
Capa de salida. Es la capa sobre la que se forman las salidas de la red. Nada impide
que esta capa de salida sea tambin conectada internamente a las entradas de otras
unidades
Capa oculta. Tambin llamada Capa intermedia, son las dems capas que no son
ni de entrada ni de salida, pero toman parte en la propagacin y generacin de la
salida de la red. Este tipo de capa oculta proporciona grados de libertad a la red neu-
ronal gracias a los cuales es capaz de representar ms fehacientemente determinadas
caractersticas del entorno que trata de modelar.
En la gura 4.5 se muestra una red neuronal con sus principales elementos.
Valores de
entrada
Capa de
entrada
Capa
oculta
Capa de
salida
Valores de
salida
Matriz de
pesos
Matriz de
pesos
Figura 4.5: Red neuronal con una capa de entrada, una oculta y una de salida
Universidad Politcnica de Madrid
4.5 Clasicacin de las Redes Neuronales 83
4.5 Clasicacin de las Redes Neuronales
Considerando los elementos bsicos comentados anteriormente, podramos clasicar a las
RNA en base a los siguientes criterios.
a) Segn el nmero de capas
Red neuronal monocapa Se corresponde con la red neuronal ms sencilla ya
que se tiene una capa de neuronas que proyectan las entradas a una capa de
neuronas de salida donde se realizan diferentes clculos. La capa de entrada, por
no realizar ningn clculo, no se cuenta de ah el nombre de redes neuronales
con una sola capa. Una aplicacin tpica de este tipo de redes es como memorias
asociativas.
Redes neuronales multicapa Es una generalizacin de la anterior existiendo un
conjunto de capas intermedias entre la entrada y la salida (capas ocultas). Este
tipo de red puede estar total o parcialmente conectada.
La redes monocapa ms representativas son la red de Hopeld, la red de memoria
asociativa y las maquinas estocsticas de Botzmann y Cauchy. Mientras que para
las redes multicapa las ms representativas son el Perceptrn, Adaline, Madaline,
Backpropagation y los modelos LQV y TMP de Kohonen.
b) Segn el tipo de conexin
Redes neuronales no recurrentes. En esta red la propagacin de las seales se
produce en un sentido solamente, no existiendo la posibilidad de realimenta-
ciones. Lgicamente estas estructuras no tienen memoria.
Redes neuronales recurrentes. Esta red viene caracterizada por la existencia de
lazos de realimentacin. Estos lazos pueden ser entre neuronas de diferentes
capas, neuronas de la misma capa o, ms sencillamente, entre una misma neu-
rona. Esta estructura recurrente la hace especialmente adecuada para estudiar
la dinmica de sistemas no lineales. La siguiente gura representa el esquema
de una red recurrente.
Ing. Jos Miguel Barrn Adame
84 Redes Neuronales Articiales y Mapas Autoorganizados
Dentro de las redes recurrentes ( o feedback), la red de Hopeld es el modelo ms
popular. Mientras que para las no recurrentes (o feedforward) es el perceptrn mul-
ticapa.
c) Segn el mecanismo de aprendizaje
Redes supervisadas. Estas redes necesitan un conjunto de datos de entrada
previamente clasicado o cuya respuesta objetivo sea conocida.
Redes no supervisadas. Estas redes no necesitan de un un conjunto previo
de datos y deben encontrar las caractersticas, regularidades, correlaciones o
categoras que se pueden establecer entre los datos que se presentan en la
entrada.
Para las Redes no supervisadas, la red de Mapas Auto-organizados es una de las
principales redes. Para las supervisadas, el principal modelo es el perceptrn multicapa.
La gure 4.6 muestra dos ejemplos de redes neuronales.
(a) (b)
Figura 4.6: Dos tipos de redes neuronales: (a) multicapa y no recurrente, (b) monocapa
y recurrente.
Debido a que en esta Tesis Doctoral se hace uso de la red de Mapas Auto-Organizados
para la obtencin de los niveles de calidad el aire, la seccin 4.6 amplia el tema de los
mecanismos de aprendizaje.
Universidad Politcnica de Madrid
4.6 Mecanismos de aprendizaje 85
4.6 Mecanismos de aprendizaje
Una RNA, debido a su estructura, no es capaz de representar un algoritmo estructurado y
por ello siempre precisar de algn tipo de aprendizaje. El aprendizaje (o entrenamiento)
es el proceso por el cual una RNA modica sus pesos en respuesta a una informacin de
entrada. Los cambios que se producen durante este proceso se reducen a la destruccin,
modicacin y creacin de conexiones entre las neuronas. Cuando los valores de los pesos
de las conexiones entre las neuronas permanecen estables se puede armar que el proceso
de aprendizaje ha terminado (la red ha aprendido). Una red neuronal debe aprender a
calcular la salida correcta para los datos (arreglo o vector) de entrada en el conjunto
de ejemplos. Este proceso de aprendizaje se denomina: Proceso de Entrenamiento. El
conjunto de datos (o conjunto de ejemplos) sobre el cual este proceso se basa es, por
ende, llamado: Conjunto de datos de entrenamiento (training set).
Un aspecto importante respecto al aprendizaje de las redes neuronales es el conocer
cmo se modican los valores de los pesos, es decir, cules son los criterios que se siguen
para cambiar el valor asignado a las conexiones cuando se pretende que la red aprenda
una nueva informacin.
4.6.1 Aprendizaje supervisado
El aprendizaje supervisado se caracteriza porque el proceso de aprendizaje se realiza me-
diante un entrenamiento controlado por un agente externo (supervisor, maestro) que de-
termina la respuesta que debera generar la red a partir de una entrada determinada. El
supervisor controla la salida de la red y en caso de que sta no coincida con la deseada,
se proceder a modicar los pesos de las conexiones, con el n de conseguir que la salida
obtenida se aproxime a la deseada.
4.6.2 Aprendizaje no supervisado
Las redes con aprendizaje no supervisado (tambin conocido como aprendizaje autosu-
pervisado) no requieren inuencia externa para ajustar los pesos de las conexiones entre
Ing. Jos Miguel Barrn Adame
86 Redes Neuronales Articiales y Mapas Autoorganizados
sus neuronas. La red no recibe ninguna informacin por parte del entorno que le indique
si la salida generada en respuesta a una determinada entrada es o no correcta. Estas
redes deben encontrar las caractersticas, regularidades, correlaciones o categoras que se
puedan establecer entre los datos que se presenten en su entrada.
Existen varias posibilidades en cuanto a la interpretacin de la salida de estas redes,
que dependen de su estructura y del algoritmo de aprendizaje empleado.
4.7 Mapas Autoorganizados (SOM)
Los Mapas Autoorganizados (SOM, por sus siglas en ingls; Self-organizing Maps),
basados en ciertas evidencias descubiertas a nivel cerebral fueron creados por Teuvo
Kohonen (quien creo el algoritmo winner-take-all), y son (en su mayora) una puesta en
prctica del aprendizaje no supervisado y competitivo [142].
Como se ha mencionado, a diferencia de lo que sucede en el aprendizaje supervisado,
en el no supervisado (o autoorganizado) no existe ningn maestro externo que indique si
la red neuronal est operando correcta o incorrectamente, pues no se dispone de ninguna
salida objetivo hacia la cual la red neuronal deba tender y las neuronas compiten unas
con otras con el n de llevar a cabo una tarea dada. As, durante el proceso de apren-
dizaje la red autoorganizada debe descubrir por s misma rasgos comunes, regularidades,
correlaciones o categoras en los datos de entrada, e incorporarlos a su estructura interna
de conexiones. Se dice, por tanto, que las neuronas deben autoorganizarse en funcin de
los estmulos (datos) procedentes del exterior. Por tanto, las neuronas compiten por ac-
tivarse, quedando nalmente una como neurona vencedora y anuladas el resto, que son
forzadas a sus valores de respuesta mnimos. Bsicamente la red SOM puede cumplir con
dos funcionalidades [143145]:
Actuar como clasicadores, encontrando patrones en los datos de entrada y clasi-
carlos en grupos (Agrupamientos) segn estos patrones. De esta forma, las informa-
ciones similares son clasicadas formando parte de la misma categora y, por tanto,
deben activar la misma neurona de salida.
Universidad Politcnica de Madrid
4.7 Mapas Autoorganizados (SOM) 87
Representar datos multidimensionales en espacios de menor dimensin (normal-
mente una o dos), preservando la topologa de la entrada. Esto es muy til cuando
se trabaja con espacios multidimensionales (ms de tres dimensiones) que el ser hu-
mano no es capaz de representar, como por ejemplo en problemas fsicos en los que
intervienen numerosas variables como temperatura, presin, humedad, etc.
4.7.1 Arquitectura SOM
La arquitectura de una RNA determina qu posibles interconexiones entre neuronas son
factibles entre las neuronas de la red. La arquitectura de una SOM est formada por dos
capas de neuronas. La capa de entrada (formada por N neuronas, una por cada variable de
entrada) se encarga de recibir y transmitir a la capa de salida la informacin procedente
del exterior (ver gura 4.7). La capa de salida (formada por M neuronas) es la encargada
de procesar la informacin en paralelo y formar el mapa de rasgos. Normalmente, las
neuronas de la capa de salida se organizan en forma de mapa bidimensional, aunque a
veces tambin se utilizan capas de una sola dimensin (cadena lineal de neuronas) o de
tres dimensiones (paraleleppedo), aun que la utilizacin, y sobre todo la representacin
de los resultados en dimensiones superiores a 2 resulta ms incmoda (ver gura 4.8).
Capa de
entrada
Capa de
salida
Pesos
Figura 4.7: Representacin en dos dimensiones de una Red Neuronal de Mapas Autoor-
ganisados (SOM).
La capa de entrada tendr tantas neuronas como dimensiones tenga el espacio multi-
Ing. Jos Miguel Barrn Adame
88 Redes Neuronales Articiales y Mapas Autoorganizados
dimensional de entrada, cada neurona transmite el valor de la dimensin que representa
a todas las neuronas de la capa de salida (a travs de las conexiones representadas por los
pesos w
ij
), y de esta forma cada neurona de la capa de salida recibe un vector de entrada
x (de dos componentes en este caso) con los valores de las dos dimensiones percibidas por
la capa de entrada, y produce una nica salida y.
0 2 4
1
0
1
2
3
4
5
Posicin (1,i)
P
o
s
i
c
i
n
(
2
,
i
)
Rejilla rectangular 5 x 5
(a)
0 2 4
1
0
1
2
3
4
Posicin (1,i)
P
o
s
i
c
i
n
(
2
,
i
)
Rejilla hexagonal 5 x 5
(b)
0
2
4
0
2
4
1
0
1
2
3
4
5
Posicin (1,i)
Rejilla rectangular 5 x 5 x 5
Posicin (2,i)
P
o
s
i
c
i
n
(
3
,
i
)
(c)
Figura 4.8: Arquitecturas para una red SOM: (a) rectangular, una dimensin (o lin-
eal), (c) hexagonal, dos dimensiones (o plano) y (c) rectangular, tres dimensiones (o
paralelepipedo).
4.7.2 Algoritmo de entrenamiento (winner-take-all)
El algoritmo de entrenamiento (o aprendizaje) de la SOM consiste en un procedimiento
iterativo capaz de representar la estructura topolgica del espacio de entrada por medio
de un conjunto discreto de prototipos de vectores de peso que son asociados a las
neuronas de la red (mapa).
El entrenamiento comienza con la introduccin en la red del vector de entrada
x X
n
,
x = [x
1
, ..., x
n
]
T
(o entrenamiento). De inmediato comienza una com-
peticin entre las neuronas de la capa de salida para determinar una neurona ganadora
que ser la nica que se activar de todas ellas. La competicin consiste en una
comparacin del vector x con los vectores de los pesos
m
k
,
m
k
=
_
m
k
1
, ..., m
k
n
_
de cada una de las neuronas que forman la capa de salida. Cuando se encuentre el
Universidad Politcnica de Madrid
4.7 Mapas Autoorganizados (SOM) 89
vector de pesos ms similar al de entrada, basndose en alguna mtrica de distancia,
que debe ser mnima (por lo general la mtrica utilizada es la distancia euclidea), la
neurona poseedora de esos pesos se declara neurona ganadora (BMU, por sus siglas
en ingls; Best Matching Unit). La cantidad que una unidad aprende estar gobernada
por una funcin de vecindad h
c
(j, t) (usualmente la funcin gaussiana), la cual es una
funcin decreciente de la distancia entre la unidad j y la BMU en el mapa en el momento t.
Al activarse nicamente la neurona BMU estamos potenciando que esa neurona
ganadora se est especializando en activarse cuando le lleguen entradas de ese tipo. El
vector de pesos asociado a la neurona ganadora se modica de manera que se parezca un
poco ms al vector de entrada. De este modo, ante el mismo patrn de entrada, dicha
neurona responder en el futuro todava con ms intensidad.
Concretamente, el proceso a seguir es el siguiente:
Paso 1. Determinar la neurona ganadora o BMU mediante la distancia minima entre
los patrones de entrada y las neuronas.
_
_
_
x
m
c
_
_
_ = mn
i
_
_
_
x m
i
_
_
_
Paso 2. Adaptar los vectores de pesos de la BMU y sus vecinas.
m
i
(t + 1) = m
i
(t) + (t) h
bi
(t) [x m
i
(t)]
Donde h
bi
(t) es la funcin de vecindad entre cada neurona y la BMU.
h
bi
(t) = e
r
b
r
i
2
/
(2
2
(t))
Paso 3. Repetir los pasos 1 y 2 con todos los patrones de entrada hasta que el
entrenamiento termina.
Una vez terminado el entrenamiento, el mapa ha de ordenarse en sentido topolgico:
n vectores topolgicamente prximos se aplican en n neuronas adyacentes o incluso en la
misma neurona.
Ing. Jos Miguel Barrn Adame
90 Redes Neuronales Articiales y Mapas Autoorganizados
4.7.3 Mtricas
Como ya se ha mencionado, la mtrica ms utilizada para el calculo de la BMU es la
distancia euclidea, aun que tambin se puede emplear las siguientes mtricas:
Distancia eucldea, dos vectores sern ms similares cuanto menor sea su distancia.
D(x, w
i
) =
k
(w
ik
x
k
)
2
Distancia de Minkowsky (generalizacin de la eucldea para valores de exponente y
raz diferentes de 2 ( es entero y positivo).
D(x, w
i
) =
_
k
(w
ik
x
k
)
_1
/
k
|w
ik
x
k
|
4.7.4 Funciones de vecindad entre neuronas
Normalmente, la funcin de vecindad entre neuronas suele seguir una curva gaussiana
centrada en la posicin de la neurona ganadora. Pero tambin puede tener otras formas.
La gura 4.9 muestra dos funciones de vecindad.
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Funcin Guassiana
1 0 1 2 3 4 5
0
0.2
0.4
0.6
0.8
1
Funcin escalon
a) b)
Figura 4.9: Funcin de vecindad entre neuronas de una red SOM: a) gaussiana y b) escaln.
Universidad Politcnica de Madrid
4.7 Mapas Autoorganizados (SOM) 91
Con la funcin escaln se obtienen mapas cuyas regiones tienen bordes ntidos alrede-
dor de las neuronas. En este caso, una neurona j pertenece a la vecindad de la ganadora j
_
x
PC
[t] , Para el Contaminante
x
WD
[t] , Para Direccin de viento
x
WS
[t] , Para Velocidad de viento
donde, X
PC
[t]
3
corresponde a las series de tiempo tri-dimensionales de
las estaciones de monitorizacin A, B o C, formada por las concentraciones
del contaminante PC (x
SO
2
[t] o x
PM
10
[t]), la direccin x
WD
[t] y velocidad
del viento x
WS
[t].
Universidad Politcnica de Madrid
5.3 Etapas del sistema 99
Proceso 2 Entrenar una Red Neuronal de Mapas Autoorganizados (SOM) por concen-
tracin de contaminante. Con la red SOM se obtiene una funcin discriminate
que determina en funcin de las variables meteorolgicas si las concentra-
ciones de contaminantes proporcionadas por los sensores en un instante t
se encuentran o no dentro del campo de percepcin de cada punto de muestreo.
El proceso para obtener la estructura SOM nal consiste en crear y entrenar
una red SOM con cuatro neuronas. Los resultados obtenidos sern analizados
y evaluados con los niveles de contaminacin establecidos por las Autoridades
Ambientales en el programa PROAIRE. Otra SOM sera creada y entrenada
con una neurona adicional. El criterio de evaluacin se volver a realizar y a
evaluar. El nmero de neuronas se incrementara hasta que se obtengan los
mejores resultados con el criterio de evaluacin. La red SOM sera seleccionada
y evaluada con el conjunto de prueba. En cierta forma, la calidad del proceso
de clasicacin est garantizado ya que a priori se conocen los valores lmite
de las concentraciones de contaminante. La gura 5.2 ilustra este proceso.
Datos para
entrenamiento
Datos para
prueba
SOM NN
Crear y entrenar
Evaluar SOM
de acuerdo con
niveles de calidad
establecidos
Puede
Mejorar?
SOM
optimizacin
NO SI
Selecionar SOM
Evaluar SOM
con datos de prueba
Figura 5.2: Procesos de entrenamiento para la obtencin de la SOM.
Ing. Jos Miguel Barrn Adame
100 Marco Metodolgico
Proceso 3 Disear un Modulo de Fusin (MF) que compare y evalu la clasicacin
realizada por la red neuronal SOM de SO
2
y PM
10
con los valores (Guas
y normas) propuestos por autoridades ambientales. El MF determina el
estado (nivel ) en el que se encuentra la calidad del aire en cada estacin de
monitorizacin.
X
SO
2
=
.x
.x
.x
]
[
SO
2
WD
WS
X
PM
10
=
.x
.x
.x
]
[
PM
10
WD
WS
Mapa
autoorganizado
(SOM)
Mapa
autoorganizado
(SOM)
I
C
A
0
1
2
3
Guas/Normas
Calidad del aire
Modulo
de Fusin
A, B o C
(MF)|
Proceso 1 Proceso 2 Proceso 3
Figura 5.3: Diagrama para la obtencin del ICA en las estaciones de monitor-
izacin.
Con est etapa se garantiza la eliminacin de falsos episodios de contaminacin
atmosfrica.
5.3.2 Etapa global
Proceso 1 Construir dos conjuntos disjuntos (Vectores Representativos) con las
concentraciones mximas de cada estacin de monitorizacin. Uno para el
Dixido de Azufre (SO
2
) y otro para las Partculas (PM
10
), tales como:
X
PC
[t] =
_
_
x
PC
[t]|
A
, Para la Cruz Roja
x
PC
[t]|
B
, Para el DIF
x
PC
[t]|
C
, Para Nativitas
Universidad Politcnica de Madrid
5.3 Etapas del sistema 101
donde, X
PC
[t]
3
corresponde a la serie de tiempo tri-dimensionales
formada por las series de tiempo de las concentraciones del contaminante
PC (x
SO
2
[t] o x
PM
10
[t]) de las estacin de monitorizacin A,B y C.
Proceso 2 Disear un Modulo Operador de Fusin (MOF) que evale y compare
las concentraciones de SO
2
y PM
10
con los valores propuestos (Guas y
normas) por autoridades ambientales. El MOF determina el continuo en
las concentraciones y el estado (nivel ) en el que se encuentra la calidad del
aire en Salamanca.
Con est etapa se obtiene una ganancia cuantitativa de informacin respecto a la
informacin que se obtiene bajo la consideracin de los diferentes sensores por separado,
como se ha realizado hasta ahora en el clculo del ICA. Junto a esta ganancia cuantitativa
se obtiene tambin una ganancia de carcter cualitativo, que ayuda a tomar decisiones al
respecto de alguna contingencia ambiental. Adems, aplicando una FDS o integracin de
las mediciones se realiza una mejor estimacin del ICA sobre una regin de mayor riesgo
para la poblacin. La gura 5.3 ilustra los procesos descritos de esta etapa. La gura 5.4
ilustra los procesos de esta etapa.
X
SO
2
=
.x
.x
.x ]
[
SO
2
MOF - Modulo
Operador
de Fusin
I
C
A
0
1
2
3
Guas/Normas
Calidad del aire
X
PM
10
=
.x
.x
.x
] [
Proceso 1 Proceso 2
A
B
C
A
B
C
SO
2
SO
2
PM
10
PM
10
PM
10
Figura 5.4: Diagrama para la obtencin del ICA en la ciudad de Salamanca.
Ing. Jos Miguel Barrn Adame
Captulo 6
Resultados
104 Resultados
6.1 introduccin
Considerando el marco terico presentado por los captulos 2, 3 y 4, y en base a la
propuesta realizada en el captulo 5, el presente captulo ofrece los resultados originales de
esta Tesis Doctoral. Todo ello se recoge en el compendio de publicaciones que acompaa
a esta misma Tesis.
Especcamente, el captulo presenta en la seccin 6.2 el anlisis a las series temporales
de las concentraciones de contaminantes (SO
2
y PM
10
) y variables meteorolgicas de
direccin y velocidad de viento en las estaciones de monitorizacin. El propsito de este
anlisis es, demostrar los efectos de las variables meteorolgicas en las concentraciones de
contaminantes en cada estacin de monitorizacin y, encontrar informacin relevante y
representativa que pueda ser usada para generar patrones de entrenamiento. En la seccin
6.3 se presentan las redes SOM resultantes y entrenadas con los patrones generados en la
seccin anterior, que clasican a las concentraciones de contaminantes en cada estacin
de monitorizacin. Finalmente, en la seccin 6.4 se presenta la visualizacin en 2D y
3D de una series de simulaciones realizadas para clasicar las concentraciones de SO
2
y
PM
10
en cada estacin de monitorizacin y se comparan estos resultados con el modelo
actual y aplicaciones similares.
6.2 Anlisis de concentraciones
Esta seccin presenta el anlisis a las series temporales de las concentraciones de con-
taminantes y variables meteorolgicas en cada una de las estaciones de monitorizacin.
El principal objetivo de este anlisis es demostrar los efectos de las variables de direccin
y velocidad de viento en las concentraciones de contaminantes. El resultado de este
anlisis fortalece la propuesta de utilizar a las variables de direccin y velocidad de viento
como elementos determinantes de los episodios contaminantes. Como conclusin de este
anlisis, se ha decido generar conjuntos de patrones para entrenar una Red Neuronal
Articial creados con las concentraciones mximas y mnimas diarias.
Universidad Politcnica de Madrid
6.2 Anlisis de concentraciones 105
6.2.1 Dixido de Azufre (SO
2
)
Las guras 6.1, 6.2 y 6.3, muestra las series temporales para las concentraciones de SO
2
y
las variables de direccin y velocidad de viento, los lmites mnimos de Pre-contingencia,
Fase I y Fase II estn indicados por una lnea en azul (), en magenta ( -) y rojo ()
respectivamente. Las series temporales corresponden a das con episodios contaminantes
con el propsito de demostrar los efectos de las variables de direccin y velocidad de
viento en las concentraciones.
Para la estacin de la Cruz Roja, en la gura 6.1, se observan en 5 periodos de tiempo
los efectos que originan la velocidad y direccin de viento en las concentraciones de SO
2
.
El primer periodo de tiempo (de las 0:00 a las 4:00 horas), identicado por un incremento
en las concentraciones de SO
2
, estn asociadas con un aumento en la velocidad y una
disminucin en la direccin de viento respectivamente. El segundo periodo (de las 4:00
a las 7:30 horas), identicado por un descenso en las concentraciones de SO
2
presenta
tambin una disminucin en la velocidad del viento, mientras que la direccin se mantiene
constante. Cabe mencionar, que durante estos dos periodos de tiempo, las concentraciones
de SO
2
llegaron a superar no slo el lmite mnimo del nivel de Pre-contingencia si no
tambin el de Fase II por periodos cortos de tiempo. El tercer periodo de tiempo (de las
7:30 a las 10:00 horas), identicado por concentraciones estables de SO
2
que en ciertos
momentos supera el lmite mnimo de Pre-contingencia, se presentan con un aumento
en la velocidad del viento, mientras que la direccin se mantiene con pocas variaciones.
El cuarto periodo (de las 10:00 a las 23:00 horas), identicado por un descenso en las
concentraciones que inclusive llegan hasta valores de 0, se presentan con una disminucin
en la velocidad del viento y valores cercanos a 0 y 360 grados en la direccin. Finalmente,
en el quinto periodo de tiempo (de las 23:00 a las 24:00 horas) se puede observar un
aumento repentino en las concentraciones de SO
2
que se identican con una disminucin
y un aumento notables en la velocidad y direccin del viento respectivamente. Con este
anlisis se deduce que la fuente o fuentes emisoras de SO
2
se encuentran muy cerca a
esta estacin de monitorizacin.
Ing. Jos Miguel Barrn Adame
106 Resultados
4 8 12 16 20 24
0
100
200
300
400
500
600
700
Tiempo (horas)
S
O
2
(
p
p
m
)
Concentraciones de SO
2
Cruz Roja
Limite mnimo Precontingencia
Limite mnimo Fase I
Lmite minimo Fase II
(a)
4 8 12 16 20 24
0
5
10
15
Velocidad de viento en Cruz Roja
Tiempo (horas)
V
e
l
o
c
i
d
a
d
(
m
/
s
)
(b)
4 8 12 16 20 24
0
50
100
150
200
250
300
350
Direccin de viento en Cruz Roja
Tiempo (horas)
D
i
r
e
c
c
i
n
(
o
)
(c)
Figura 6.1: Series temporales en la estacin de la Cruz Roja para: (a) las concentracin
de SO
2
; (b) la velocidad de viento y (c) la direccin de viento.
Para la estacin del DIF, en la gura 6.2 se observan en 4 periodos de tiempo los
Universidad Politcnica de Madrid
6.2 Anlisis de concentraciones 107
efectos de la velocidad y direccin de viento en las concentraciones de SO
2
. El primer
periodo (de las 0:00 a las 10:00 horas), esta identicado por concentraciones bajas de
SO
2
que se presentan con valores en aumento de la velocidad de viento. El segundo
periodo (de las 10:00 a las 18:00 horas), identicado por concentraciones aleatorias de
SO
2
que se presentan por valores aleatorio tambin en la velocidad del viento. Cabe
mencionar que las concentraciones en este periodo llegan a superar el nivel mnimo de
Pre-contingencia por periodos de tiempo cortos. El tercer periodo (de las 18:00 a las 20:00
horas), identicado por un aumento repentino en la concentracin de SO
2
y la direccin
del viento. Finalmente, el cuarto periodo (de las 20:00 a las 24:00 horas), identicado por
un descenso en las concentraciones de SO
2
que claramente tambin reejada un descenso
en la velocidad del viento. En el caso de la direccin de viento, se puede observar que
para este da, presenta valores prcticamente de cero, lo cual podra indicar una falla en
este sensor (ver gura 6.2(c)). De este anlisis se deduce que la fuente o fuentes emisoras
de SO
2
se encuentran alejadas de la estacin de monitorizacin.
La gura 6.3 muestra las concentraciones de SO
2
en la estacin de Nativitas las cuales,
podramos analizar en tres periodos de tiempo. El primer periodo (de las 0:00 a las 10:00
horas), identicado por concentraciones bajas que presentan un ligero descenso, estn
asociadas a la vez por un incremento de la velocidad y un descenso de la direccin del
viento. El segundo periodo (de las 10:00 a las 16:00 horas), identicado por concentraciones
inconsistentes que por periodos cortos llegan a superar el lmite mnimo del nivel de Fase
II, estn asociados por velocidades de viento tambin inconsistentes y en descenso, y por
direcciones de viento que presentan valores cercanos a 0 y 360 grados. El tercer periodo
(de las 16:00 a las 20:00 horas), muy parecido al primero, en cuanto a los valores de las
concentraciones y de la velocidad, pero que en direccin presenta valores muy cercanas a
0 y 360 grados. Finalmente, el cuarto periodo (de las 20:00 a las 24:00 horas), presenta
con respecto a las concentraciones de SO
2
y velocidad de viento un comportamiento muy
parecido al segundo periodo. Para este periodo, los valores de direccin de viento se ubican
aproximadamente entre 50 y 100 grados. De este anlisis se deduce que la fuente o fuentes
emisoras de SO
2
se encuentran a poca distancia de la estacin de monitorizacin.
Ing. Jos Miguel Barrn Adame
108 Resultados
4 8 12 16 20 24
0
100
200
300
400
500
600
700
Tiempo (horas)
S
O
2
(
p
p
m
)
Concentraciones de SO
2
DIF
Limite mnimo Precontingencia
Limite mnimo Fase I
Lmite minimo Fase II
(a)
4 8 12 16 20 24
0
5
10
15
Direccin de viento en DIF
Tiempo (horas)
V
e
l
o
c
i
d
a
d
(
m
/
s
)
(b)
4 8 12 16 20 24
0
50
100
150
200
250
300
350
Direccin de viento en DIF
Tiempo (horas)
D
i
r
e
c
c
i
n
(
o
)
(c)
Figura 6.2: Series temporales en la estacin del DIF: (a) Concentracin de SO
2
; (b) Ve-
locidad de viento y (c) Direccin de viento.
Universidad Politcnica de Madrid
6.2 Anlisis de concentraciones 109
4 8 12 16 20 24
0
100
200
300
400
500
600
700
Tiempo (horas)
S
O
2
(
p
p
m
)
Concentraciones de SO
2
Nativitas
Limite mnimo Precontingencia
Limite mnimo Fase I
Lmite minimo Fase II
(a)
4 8 12 16 20 24
0
5
10
15
Velocidad de viento en Nativitas
Tiempo (horas)
V
e
l
o
c
i
d
a
d
(
m
/
s
)
(b)
4 8 12 16 20 24
0
50
100
150
200
250
300
350
Direccin de viento en Nativitas
Tiempo (horas)
D
i
r
e
c
c
i
n
(
o
)
(c)
Figura 6.3: Series temporales en la estacin de Nativitas: (a) Concentracin de SO
2
; (b)
Velocidad de viento y (c) Direccin de viento.
Con las guras 6.1, 6.2 y 6.3 se han podido analizar de una forma muy complicada los
Ing. Jos Miguel Barrn Adame
110 Resultados
efectos que en determinados periodos de tiempo las variables de direccin y la velocidad
del viento tienen en las concentraciones de SO
2
. Con este anlisis, se ha decido generar
patrones de entrenamiento con los valores de las concentraciones mximas y mnimas
diarias con sus variables asociadas de velocidad y direccin de viento. La gura 6.4
muestra la representacin de las concentraciones mximas por minuto de SO
2
obtenidas
en cada una de las estaciones de monitorizacin. Se eligi el mismo da para demostrar
el continuo de la medicin de las concentraciones en la ciudad. Para este da en concreto,
se puede observar que las concentraciones de SO
2
supera en varios periodos de tiempo y
en ocasiones largos el lmite mnimo de Pre-contingencia y Fase II.
4 8 12 16 20 24
0
100
200
300
400
500
600
700
Tiempo (horas)
S
O
2
(
p
p
m
)
Concentraciones mximas de SO
2
Fusin de SO
2
Limite mnimo Precontingencia
Limite mnimo Fase I
Lmite minimo Fase II
Figura 6.4: Representacin de las concentraciones mximas de SO
2
en Salamanca para el
2 de Noviembre de 2006.
6.2.2 Partculas (PM
10
)
Las guras 6.5, 6.6 y 6.7 muestran las series temporales de las concentraciones de PM
10
y las variables de direccin y velocidad de viento, los lmites mnimos para los niveles de
Pre-contingencia, Fase I y Fase II marcados por una lnea en azul (), en magenta ( -)
y rojo () respectivamente.
Universidad Politcnica de Madrid
6.2 Anlisis de concentraciones 111
4 8 12 16 20 24
0
100
200
300
400
500
600
700
Tiempo (horas)
P
M
1
0
(
/
m
3
)
Concentraciones de PM
10
, 30/12/06
Cruz Roja
Limite mnimo Precontingencia
Limite mnimo Fase I
Lmite minimo Fase II
(a)
4 8 12 16 20 24
0
5
10
15
Velocidad de viento en Cruz Roja
Tiempo (horas)
V
e
l
o
c
i
d
a
d
(
m
/
s
)
(b)
4 8 12 16 20 24
0
50
100
150
200
250
300
350
Direccin de viento en Cruz Roja
Tiempo (horas)
D
i
r
e
c
c
i
n
(
o
)
(c)
Figura 6.5: Series temporales en la estacin de la Cruz Roja:(a) Concentracin de PM
10
;
(b) Velocidad de viento y (c) Direccin de viento.
Ing. Jos Miguel Barrn Adame
112 Resultados
Para la estacin de la Cruz Roja (gura 6.5), se observan 5 periodos de tiempo en
los que la velocidad y direccin de viento tiene efecto en las concentraciones de PM
10
.
El primero periodo de tiempo (de las 0:00 a las 2:30 horas), identicado prcticamente
por concentraciones estables y bajas de PM
10
que se obtienen a su la vez con velocidades
de viento tambin estables y direccin de viento que en mayora oscila entre los 250 y
los 320 grados. El segundo periodo de tiempo (de las 2:30 a las 7:30 horas), identicado
por un ligero aumento en las concentraciones de PM
10
y por una ligera disminucin en
la velocidad del viento y direcciones de viento que oscilan entre los 0 o 360 grados. El
tercer periodo de tiempo (de las 7:30 a las 20:00 horas), identicado por un aumento de
concentraciones de PM
10
y un aumento considerable en la velocidad del viento direccin
de viento con variaciones entre 180 y 300 grados. El cuarto periodo de tiempo (de las
20:00 a las 23:30 horas), identicado por un ligero descenso de las concentraciones de
PM
10
, una disminucin en la velocidad de viento y variaciones de direccin entre 100 y
300 grados. Finalmente, en el quinto periodo de tiempo (de las 23:30 a las 24:00 horas)
se puede identicar por un aumento en las concentraciones de PM
10
, un aumento en la
velocidad y una variacin de viento entre 40 y 60 grados. De este anlisis se deduce que la
fuente o fuentes emisoras de PM
10
se encuentran cercanas a la estacin de monitorizacin.
Cabe mencionar que durante estos periodos de anlisis, las concentraciones de PM
10
no
llegaron a superar el lmite mnimo del nivel de Pre-contingencia.
Para la estacin del DIF (gura 6.6), se pueden observar en 3 periodos de tiempo los
efectos que originan la velocidad y la direccin de viento en las concentraciones de PM
10
.
El primer periodo tiempo (de las 0:00 a las 12:00 horas), identicado por concentraciones
de PM
10
que no superan el lmite mnimo de Pre-contingencia y una velocidad de viento
baja. El segundo periodo de tiempo (de las 12:00 a las 16:00 horas), identicado por
concentraciones altas de PM
10
y un incremento en la velocidad. En este periodo, las
concentraciones de PM
10
llegaron a superar por casi una hora el lmite mnimo de Fase II.
Finalmente, el tercer periodo de tiempo (de las 16:00 a las 24:00 horas) es identicado por
un descenso en las concentracin y la velocidad de viento. La direccin de viento presento
un comportamiento extrao por lo que no fue considerada en el anlisis.
Universidad Politcnica de Madrid
6.2 Anlisis de concentraciones 113
4 8 12 16 20 24
0
100
200
300
400
500
600
700
Tiempo (horas)
P
M
1
0
(
/
m
3
)
Concentraciones de PM
10
, 30/12/06
DIF
Limite mnimo Precontingencia
Limite mnimo Fase I
Lmite minimo Fase II
(a)
4 8 12 16 20 24
0
5
10
15
Velocidad de viento en DIF
Tiempo (horas)
V
e
l
o
c
i
d
a
d
(
m
/
s
)
(b)
4 8 12 16 20 24
0
50
100
150
200
250
300
350
Direccin de viento en DIF
Tiempo (horas)
D
i
r
e
c
c
i
n
(
o
)
(c)
Figura 6.6: Series temporales en la estacin del DIF: (a) Concentracin de PM
10
; (b)
Velocidad de viento y (c) Direccin de viento.
Ing. Jos Miguel Barrn Adame
114 Resultados
4 8 12 16 20 24
0
100
200
300
400
500
600
700
Tiempo (horas)
P
M
1
0
(
/
m
3
)
Concentraciones de PM
10
, 30/12/06
Nativitas
Limite mnimo Precontingencia
Limite mnimo Fase I
Lmite minimo Fase II
(a)
4 8 12 16 20 24
0
5
10
15
Velocidad de viento en Nativitas
Tiempo (horas)
V
e
l
o
c
i
d
a
d
(
m
/
s
)
(b)
4 8 12 16 20 24
0
50
100
150
200
250
300
350
Direccin de viento en Nativitas
Tiempo (horas)
D
i
r
e
c
c
i
n
(
o
)
(c)
Figura 6.7: Series temporales en la estacin de Nativitas: (a) Concentracin de PM
10
; (b)
Velocidad de viento y (c) Direccin de viento.
Universidad Politcnica de Madrid
6.2 Anlisis de concentraciones 115
La gura 6.7 muestra la serie temporales para las concentraciones de PM
10
en Nativ-
itas. En esta serie temporal se observa en 6 periodos tiempo los efectos de la direccin y
velocidad de viento en las concentraciones de PM
10
. El primer periodo tiempo (de las 0:00
a las 2:30 horas), identicado por concentraciones prcticamente bajas, una velocidad de
entre 0 y 2.5 m/s y una direccin del viento entre 300 y 360 grados. El segundo periodo (de
las 2:30 a las 7:30 horas), identicado por concentraciones en ligero ascenso (sin superar
el lmite mnimo de Pre-contingencia), un descenso de la velocidad (prcticamente 0 m/s)
y un cambio de direccin que oscila entre 0 y 200 grados. El tercer periodo de tiempo (de
las 7:30 a las 17:00 horas), identicado por un descenso de concentraciones, un aumento
notable de la velocidad (hasta 7 m/s) y una direccin que oscila entre 210 y 320 grados. El
cuarto periodo (de las 17:00 a las 20:00 horas), identicado por concentraciones muy cerca
del lmite mnimo de Pre-contingencia, velocidad en descenso y una direccin de viento
que oscila entre 250 y 290 grados. El quinto periodo de tiempo (de las 20:00 a las 23:30
horas), identicado por concentraciones que estn cerca de las 100 g/m
3
, una velocidad
baja (entre 0 y 2.5 m/s) y un cambio en direccin entre los 150 y 250 grados. Finalmente,
el sexto periodo (de las 23:30 a las 24:00 horas) es identicado por concentraciones que
superan el lmite mnimo de Fase I, velocidades de viento altas (hasta 12 m/s) y una
direccin entre los 70 y 100 grados. De este anlisis, se deduce que la fuente o fuentes
emisoras de SO
2
se encuentran a poca distancia de la estacin de monitorizacin.
Con est tipo de anlisis, se pudo comprobar de forma muy complicada los efectos que
las variables de direccin y velocidad de viento tienen en las concentraciones de contam-
inantes. Desafortunadamente, para determinar el nivel de calidad del aire en Salamanca
por el sistema actual no las considera. La siguiente seccin 6.3 presenta los resultados
obtenidos durante esta investigacin al entrenar una red SOM para cada concentracin
de contaminante en cada estacin de monitorizacin. La ventaja que ofrecen estas redes
sobre el sistema actual son: 1) clasicacin automtica de las concentraciones de con-
taminantes en los diferentes niveles de calidad del aire, 2) determinacin del nivel de
concentracin en funcin de los valores de las variables meteorolgicas, 3) representacin
de los efectos de las variables meteorolgicas en las concentraciones de contaminantes, 4)
representacin del comportamiento de las concentraciones de contaminantes en la ciudad
y 5) abilidad en la determinacin de episodios de contaminacin.
Ing. Jos Miguel Barrn Adame
116 Resultados
La gura 6.8 muestra la representacin de las concentraciones mximas por minuto
de PM
10
obtenidas por las tres estaciones de monitorizacin. Las concentraciones
representativas de est anlisis fueron obtenidas el da 30 de Diciembre de 2006. Se eligi
el mismo da para demostrar el continuo de la medicin de las concentraciones en la
ciudad. Para este da en concreto, se puede observar que las concentraciones de PM
10
en
varios periodos de tiempo y en ocasiones largos, superan, no slo el lmite mnimo de
Pre-contingencia si no llegan inclusive a superar el de Fase II.
4 8 12 16 20 24
0
100
200
300
400
500
600
700
Tiempo (horas)
P
M
1
0
(
/
m
3
)
Concentraciones mximas de PM
10
Fusin de SO
2
Limite mnimo Precontingencia
Limite mnimo Fase I
Lmite minimo Fase II
Figura 6.8: Representacin de las concentraciones mximas de PM
10
en Salamanca para
el 30 de Diciembre de 2006.
Universidad Politcnica de Madrid
6.3 Redes (SOM) representativas 117
6.3 Redes (SOM) representativas
Esta seccin presenta las estructuras de Mapas Auto-Organizados (SOM) que representan
el efecto de las variables meteorolgicas en las concentraciones de contaminantes y las
clasica de forma automtica en los diferentes niveles de calidad.
6.3.1 Dixido de Azufre (SO
2
)
Cruz Roja
La gura 6.9 muestra la visualizacin en 2D y 3D de la Red SOM con 16 neuronas en
la capa de salida y una estructura [16-1-1] para clasicar las concentraciones de SO
2
en
funcin de la direccin y velocidad de viento en la estacin de la Cruz Roja.
La gura 6.9(a) muestra la vista 3D para la red SOM en el espacio de caractersticas de
la estacin de la Cruz Roja. La gura 6.9(b) muestra la vista 2D con el comportamiento
del SO
2
en funcin de la direccin de viento. En esta gura se puede observar que las altas
concentraciones de SO
2
y consideradas como perjudiciales para la salud de la poblacin
estn determinadas con direccin de viento de entre 50 y 100 grados. La gura 6.9(c)
muestra la vista 2D con el comportamiento del SO
2
en funcin de la velocidad de viento.
En esta gura las altas concentraciones de SO
2
se presentan con velocidad de viento de
entre 3 y 4 m/s. Finalmente, la gura 6.9(d) muestra la vista 2D de la direccin y la
velocidad de viento. En esta gura se observa la combinacin entre estas variables para
que se determinan las diferentes concentraciones de SO
2
en la estacin de la Cruz Roja.
Con la red SOM se puede observar la clasicacin de las concentraciones de SO
2
en
funcin de las variables meteorolgicas. Las neuronas 2 y 11 (ver gura 6.9) consideradas
en el nivel de No Contingencia tienen una alta probabilidad de pasar al nivel de Pre-
Contingencia determinado por la neurona 12. La neurona 13 determina el nivel de Fase I
y las 14, 15 y 16 el de Fase II. El cuadro 6.1 resume la posicin de las neuronas.
Ing. Jos Miguel Barrn Adame
118 Resultados
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [1611] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
16
1
8
(a)
0 100 200 300 400 500 600 700
0
50
100
150
200
250
300
350
400
SO
2
(ppb)
Red SOM [1611] para SO
2
, Cruz Roja
D
i
r
.
v
i
e
n
t
o
(
o
)
16
7
11
1
(b)
0 100 200 300 400 500 600 700
0
2
4
6
8
10
12
SO
2
(ppb)
Red SOM [1611] para SO
2
, Cruz Roja
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
16
7
11
1
(c)
0 1 2 3 4 5 6
0
50
100
150
200
250
300
350
400
Red SOM [1611] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
7 16
11
1
(d)
Figura 6.9: Red Neuronal de Mapas Auto-Organizados (SOM) con 16 neuronas en la capa
de salida para la clasicacin del SO
2
en la estacin de la Cruz Roja: (a) Vista 3D del
espacio de caractersticas (SO
2
, Dir. y Vel. de viento); (b) Vista 2D para el SO
2
y Dir. de
viento; (c) Vista 2D para el SO
2
y Vel. de viento; y (d) Vista 2D para la Dir. y Vel. de
viento.
Universidad Politcnica de Madrid
6.3 Redes (SOM) representativas 119
DIF
La gura 6.10 muestra la visualizacin en 2D y 3D de la Red SOM con 14 neuronas en
la capa de salida y una estructura [14-1-1] para clasicar las concentraciones de SO
2
en
funcin de los efectos de la direccin y velocidad de viento en la estacin del DIF.
En la gura 6.10(a) se muestra la vista 3D de la red SOM en el espacio de caracters-
ticas de la estacin del DIF. La gura 6.10(b) muestra la vista 2D con el comportamiento
de las concentraciones del SO
2
en funcin de los efectos de la direccin de viento. En esta
gura se puede observar que las altas concentraciones de SO
2
estn determinadas con
direccin de viento de entre 100 y 150 grados. La gura 6.10(c) muestra la vista 2D con
el comportamiento de las concentraciones de SO
2
en funcin de los efectos de la velocidad
de viento. En esta gura las altas concentraciones de SO
2
se presentan con velocidades
de viento de entre 3 y 4 m/s. Finalmente, en la gura 6.10(d) se muestra la vista 2D con
la combinacin entre la direccin y la velocidad de viento con las que se determinan las
concentraciones de contaminantes. Con esta gura se puede determinar los valores de
estas variables meteorolgicas con las que se determinan las concentraciones de SO
2
en
la estacin del DIF.
Al igual que en la estacin de la Cruz Roja, con la red SOM se puede observar la
clasicacin de las concentraciones de SO
2
en funcin de las variables de direccin y
velocidad de viento. Por medio de esta estructura se puede observar como la clasicacin
de las concentraciones por la neurona 11 considerada en el nivel de No Contingencia
tienen una alta probabilidad de pasar del nivel de Pre-Contingencia determinado por
la neurona 12. La neurona 13 determina el nivel de Fase I y la neurona 14 el nivel de
Fase II. El cuadro 6.1 (pgina 127) resume la posicin de las neuronas en el espacio de
caractersticas que determina la red SOM.
Ing. Jos Miguel Barrn Adame
120 Resultados
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [1411] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
14
12
1
(a)
0 100 200 300 400 500
0
50
100
150
200
250
300
350
400
SO
2
(ppb)
Red SOM [1411] para SO
2
, DIF
D
i
r
.
v
i
e
n
t
o
(
o
)
14
12
1
(b)
0 100 200 300 400 500
0
5
10
15
Red SOM [1411] para SO
2
, DIF
SO
2
(ppb)
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
1
12
14
(c)
0 1 2 3 4 5 6 7 8
0
50
100
150
200
250
300
350
400
Vel. viento (m/s)
Red SOM [1411] para SO
2
, DIF
D
i
r
.
v
i
e
n
t
o
(
o
)
1
12
14
(d)
Figura 6.10: Red Neuronal de Mapas Auto-Organizados (SOM) con 14 neuronas en la capa
de salida para la clasicacin del SO
2
en la estacin del DIF: (a) Vista 3D del espacio de
caractersticas (SO
2
, Dir. y Vel. de viento); (b) Vista 2D (SO
2
y Dir. de viento); (c) Vista
2D (SO
2
y Vel. de viento); y (d) Vista 2D (Dir. y Vel. de viento).
Universidad Politcnica de Madrid
6.3 Redes (SOM) representativas 121
Nativitas
En la gura A.3 se muestra la visualizacin 2D y 3D de la Red SOM con 14 neuronas en
la capa de salida y una estructura [14-1-1] para clasicar las concentraciones de SO
2
en
funcin de los efectos de las variables de direccin y velocidad de viento en la estacin de
Nativitas.
En la gura 6.11(a) se muestra la vista 3D de la red SOM en el espacio de car-
actersticas de la estacin de Nativitas. La gura 6.11(b) muestra la vista 2D con el
comportamiento de las concentraciones de SO
2
en funcin de los efectos de la direccin
del viento. En esta gura se puede observar que las altas concentraciones de SO
2
estn
determinadas con direccin de viento de entre 100 y 150 grados. La gura 6.11(c) muestra
la vista 2D con el comportamiento de las concentraciones de SO
2
en funcin de los efectos
de la velocidad del viento. En esta gura se observa que las altas concentraciones de
SO
2
se presentan con velocidades de viento de entre 3 y 4 m/s. Finalmente, en la gura
6.11(d) se muestra la vista 2D de la combinacin de direccin y velocidad de viento con
las que se determinan las concentraciones de contaminantes. Con esta gura se puede
determinar los valores de estas variables meteorolgicas con las que se determinan las
concentraciones de SO
2
en la estacin del Nativitas.
Por ltimo, y en comparacin con las estructuras SOM de la Cruz Roja y DIF,
con la estructura SOM en Nativitas tambin se puede observar la clasicacin de las
concentraciones de SO
2
en funcin de la direccin y velocidad de viento. En este caso, las
concentraciones clasicadas por las neuronas 5 y 14 tiene una alta probabilidad de pasar
del nivel de No Contingencia al nivel de Pre-Contingencia determinado por la neurona
4. La neurona 3 determina el nivel de Fase I y la neurona 2 el de Fase II. El cuadro 6.1
resume la posicin de las neuronas en el espacio de caractersticas determinada por la red
SOM. Es importante mencionar que en comparacin con la Cruz Roja y DIF, el orden
inverso de la red SOM en Nativitas se debe al orden aleatorio inicial durante el proceso
de entrenamiento de la red SOM.
Ing. Jos Miguel Barrn Adame
122 Resultados
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [1411] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
1
14
9
(a)
0 100 200 300 400 500 600 700
0
50
100
150
200
250
300
350
400
Red SOM [1411] para SO
2
, Nativitas
SO
2
(ppb)
D
i
r
.
v
i
e
n
t
o
(
o
)
4
14
1
(b)
0 100 200 300 400 500 600 700
0
1
2
3
4
5
6
7
8
Red SOM [1411] para SO
2
, Nativitas
SO
2
(ppb)
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
1 4
14
(c)
0 1 2 3 4 5 6 7
0
50
100
150
200
250
300
350
400
Red SOM [1411] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
14
4
1
(d)
Figura 6.11: Red Neuronal de Mapas Auto-Organizados (SOM) con 14 neuronas en la
capa de salida para la clasicacin de SO
2
en la estacin de Nativitas: (a) Vista 3D del
espacio de caractersticas (SO
2
, Dir. y Vel. de viento); (b) Vista 2D (SO
2
y Dir. de viento);
(c) Vista 2D (SO
2
y Vel. de viento); y (d) Vista 2D (Dir. y Vel. de viento).
Universidad Politcnica de Madrid
6.3 Redes (SOM) representativas 123
El cuadro 6.1 resume la posicin de las neuronas para las estructuras SOM en el
espacio de caractersticas de las tres estaciones de monitorizacin. Las lneas negras
horizontales en el cuadro delimitan los niveles de calidad del aire de No contingencia,
Pre-contingencia, Fase I y Fase II indicados respectivamente como NC, PRE, FI y FII.
Se puede observar en el cuadro que los niveles de calidad del aire para la estacin de
Nativitas se encuentran en orden inverso a los de la Cruz Roja y DIF, esto se debe al
orden inicial aleatorio del entrenamiento de la red SOM.
Nmero, posicin y nivel de las neuronas en el espacio de caractersticas
Cruz Roja DIF Nativitas
neurona SO
2
Vel. Dir. Nivel SO
2
Vel. Dir. Nivel SO
2
Vel. Dir. Nivel
ppb m/s
o
ppb m/s
o
ppb m/s
o
1 20,5 1,9 354,8 NC 15.1 1.2 354.8 NC 582.7 3.3 81.6 FII
2 40,8 1,8 346,3 NC 12.5 1.7 332.0 NC 462.5 3.1 75.6 FII
3 47,2 1,9 295,3 NC 9.5 2.4 290.8 NC 279.1 3.0 61.5 FI
4 22,7 2,2 248,7 NC 12.2 2.3 256.1 NC 177.7 3.1 44.9 PRE
5 20,1 2,0 201,8 NC 15.1 2.7 192.6 NC 58.3 2.2 13.8 NC
6 24,6 1,7 127,8 NC 16.5 3.8 153.9 NC 15.4 2.3 12.8 NC
7 19,7 2,0 76,7 NC 18.9 3.9 123.7 NC 12.8 3.5 44.7 NC
8 12,1 2,2 28,2 NC 18.2 3.1 89.5 NC 20.1 4.1 95.3 NC
9 15,0 2,0 7,1 NC 11.5 1.8 26.7 NC 20.0 2.9 135.2 NC
10 37,6 1,9 12,3 NC 13.1 1.6 4.6 NC 11.5 2.2 201.6 NC
11 103,2 2,7 42,1 NC 46.8 1.9 26.6 NC 7.6 2.5 255.3 NC
12 171,8 3,4 58,8 PRE 165.2 3.0 103.1 PRE 7.6 2.4 313.0 NC
13 270,2 3,3 66,7 FI 267.4 3.2 117.9 FI 23.7 2.0 347.9 NC
14 379,2 3,1 69,5 FII 374.0 3.1 121.0 FII 57.0 1.9 354.1 NC
15 493,0 2,8 64,7 FII - - - - - - - -
16 578,9 2,8 63,1 FII - - - - - - - -
NC No contingencia PRE Pre-contingencia
FI Fase I FII Fase II
Cuadro 6.1: Posicin de las neuronas en el espacio de caractersticas de SO
2
para las redes
SOM en la Cruz Roja, DIF y Nativitas.
Ing. Jos Miguel Barrn Adame
124 Resultados
Para la estacin de la Cruz Roja, las neuronas 1 a 11 son consideradas para clasicar
las concentraciones de SO
2
en el nivel de No contingencia, la neurona 12 en el nivel de
Pre-contingencia, la neurona 13 en el nivel de Fase I y las neuronas 14 a 16 en el nivel
Fase II.
Al igual que la estacin de la Cruz Roja, las neuronas 1 a 11 en la estacin del
DIF, son consideradas para clasicar las concentraciones de SO
2
en el nivel de No
contingencia, la neurona 12 en el nivel de Pre-contingencia, la neurona 13 en el nivel de
Fase I, mientras que para el nivel Fase II slo se representa por la neurona 14.
En el caso de la estacin de Nativitas, las neuronas 5 a 14 son consideradas para
clasicar las concentraciones de SO
2
en el nivel de No Contingencia, la neurona 4 en el
nivel de Pre-Contingencia, la neurona 3 en el nivel de Fase I y las neuronas 1 y 2 en el
nivel de Fase II. Como ya se ha mencionado, en comparacin con las estructuras SOM
obtenidas en la estacin de la Cruz Roja y el DIF, el order inverso de esta estructura se
debe al ordenamiento inicial aleatorio durante el proceso de entrenamiento de la red SOM.
Para las tres estaciones, el nivel de No contingencia est representado por ms de
una neurona de la red SOM, esto se debe a la alta densidad de datos que se tienen de
este nivel, por lo que la red SOM asigna de un mayor nmero de neuronas durante el
entrenamiento para su representacin.
Para el caso de las estaciones de Cruz Roja y Nativitas, el nivel de Fase II est
representado tambin por ms de una neurona, esto indica que en estas dos estaciones es
ms comn que se presenten altas concentraciones de este contaminante.
Universidad Politcnica de Madrid
6.3 Redes (SOM) representativas 125
6.3.2 Partculas (PM
10
)
Cruz Roja
La gura 6.12 muestra la visualizacin 2D y 3D de la red SOM con 24 neuronas en la
capa de salida y una estructura [24-1-1] para clasicar las concentraciones de PM
10
en
funcin de los efectos de la direccin y la velocidad de viento en la estacin de la Cruz Roja.
La gura 6.12(a) muestra la vista 3D del espacio de caractersticas de la estacin
de la Cruz Roja. La gura 6.12(b) muestra la vista 2D con el comportamiento de las
concentraciones de PM
10
en funcin de los efectos de la direccin de viento. En esta
gura se puede observar que las altas concentraciones de PM
10
y consideradas como
perjudiciales para la salud de la poblacin estn determinadas con direccin de viento
de entre 50 y 100 grados. La gura 6.12(c) muestra la vista 2D con el comportamiento
de las concentraciones de PM
10
en funcin de los efectos de la velocidad de viento. En
esta gura se puede observar que las altas concentraciones de PM
10
se presentan con
velocidades de viento de entre 3 y 4 m/s. Finalmente, la gura 6.12(d) muestra la vista
2D de la combinacin entre la direccin y la velocidad de viento con las que se determinan
las concentraciones de contaminantes. Con esta gura se pueden determinar los valores
de estas variables meteorolgicas con las que se determinan las concentraciones de PM
10
en la estacin de la Cruz Roja.
Con la estructura SOM se puede observar la clasicacin de las concentraciones
de PM
10
en funcin de los efectos de las variables de direccin y velocidad de viento.
Podemos observar como las concentraciones clasicadas en el nivel de No Contingencia
por la neurona 20 tienen una alta probabilidad de pasar al nivel de Pre-Contingencia
determinado por la neurona 21. El cuadro 6.2 resume los valores con la posicin de las
neuronas en el espacio de caractersticas que determina la red SOM.
Ing. Jos Miguel Barrn Adame
126 Resultados
0
200
400
600
800
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [2411] para PM
10
, Cruz Roja
Vel. de viento (m/s)
D
i
r
.
d
e
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo Fase I
L. mnimo Fase II
Neuronas
Estructura
24
1
(a)
0 50 100 150 200 250 300 350 400 450 500
0
50
100
150
200
250
300
350
400
PM
10
( g/m
3
)
Red SOM [2411] para PM
10
, Cruz Roja
D
i
r
e
c
c
i
n
d
e
v
i
e
n
t
o
(
o
)
24
20
10
1
(b)
0 100 200 300 400 500 600
0
1
2
3
4
5
6
Red SOM [2411] para PM
10
, Cruz Roja
PM
10
( g/m
3
)
V
e
l
o
c
i
d
a
d
d
e
v
i
e
n
t
o
(
m
/
s
)
1
20
24
10
(c)
0 1 2 3 4 5 6
0
50
100
150
200
250
300
350
400
Red SOM [2411] para PM
10
, Cruz Roja
Velocidad de viento (m/s)
D
i
r
e
c
c
i
n
d
e
v
i
e
n
t
o
(
o
)
1
24
10
20
(d)
Figura 6.12: Red Neuronal de Mapas Auto-Organizados (SOM) con 14 neuronas en la
capa de salida para la clasicacin de PM
10
en la estacin de la Cruz Roja: (a) Vista 3D
del espacio de caractersticas (PM
10
, Dir. y Vel. de viento); (b) Vista 2D (PM
10
y Dir. de
viento); (c) Vista 2D (PM
10
y Vel. de viento); y (d) Vista 2D (Dir. y Vel. de viento);
Universidad Politcnica de Madrid
6.3 Redes (SOM) representativas 127
DIF
La gura 6.13 muestra la visualizacin 2D y 3D de la Red SOM con 22 neuronas en la
capa de salida y una estructura [22-1-1] para clasicar las concentraciones de PM
10
en
funcin de las variables de direccin y velocidad de viento en la estacin del DIF.
La gura 6.13(a) muestra la vista 3D de la red SOM en el espacio de caractersticas
de la estacin del DIF. La gura 6.13(b) muestra la vista 2D con el comportamiento
de las concentraciones de PM
10
en funcin de los efectos de la direccin de viento. En
esta gura se puede observar que las altas concentraciones de PM
10
y consideradas como
perjudiciales para la salud de la poblacin estn determinadas con direccin de viento
de entre 100 y 300 grados. La gura 6.13(c) muestra la vista 2D con el comportamiento
de las concentraciones de PM
10
en funcin de los efectos de la velocidad de viento. En
esta gura se puede observar que las altas concentraciones de PM
10
se presentan con
velocidades de viento de entre 3 y 4 m/s. Finalmente, en la gura 6.13(d) se muestra la
vista 2D con la combinacin entre la direccin y la velocidad de viento con los que se
determinan las concentraciones de contaminantes. Con esta gura se pueden determinar
los valores de estas variables meteorolgicas con las que se determinan las concentraciones
de PM
10
en la estacin del DIF.
Adicionalmente, con la red SOM se puede observar la clasicacin de las concen-
traciones de PM
10
en funcin de los efectos de las variables de direccin y velocidad
de viento. Las concentraciones determinadas por las neuronas 10 y 16 y consideradas
en el nivel de No Contingencia tienen una mayor probabilidad de pasar al nivel de
Pre-Contingencia determinado por las neuronas 11 y 15. La neurona 3 clasica las
concentraciones en el nivel de Fase I mientras al neurona 2 las del nivel de Fase II.
El cuadro 6.2 resume la posicin de las neuronas en el espacio de caractersticas que
determina la red SOM.
Ing. Jos Miguel Barrn Adame
128 Resultados
0
200
400
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [2211] para PM
10
, DIF
Vel. de viento (m/s)
D
i
r
.
d
e
v
i
e
n
t
o
(
o
)
Neuronas
Estructura
L. mnimo Precontingencia
L. mnimo Fase I
L. mnimo Fase II
22
13
15
11
1
(a)
0 100 200 300 400 500 600 700
0
50
100
150
200
250
300
350
400
PM
10
( g/m
3
)
Red SOM [2211] para PM
10
, DIF
D
i
r
e
c
c
i
n
d
e
v
i
e
n
t
o
(
o
)
1
15
13
22
11
(b)
0 100 200 300 400 500 600 700
0
5
10
15
PM
10
( g/m
3
)
Red SOM [2211] para PM
10
, DIF
V
e
l
o
c
i
d
a
d
d
e
v
i
e
n
t
o
(
m
/
s
)
13
11
15
1
22
(c)
0 2 4 6 8 10
0
50
100
150
200
250
300
350
400
Red SOM [2211] para PM
10
, DIF
Velocidad de viento (m/s)
D
i
r
e
c
c
i
n
d
e
v
i
e
n
t
o
(
o
)
22
13
15
1
11
(d)
Figura 6.13: Red Neuronal de Mapas Auto-Organizados (SOM) con 14 neuronas en la
capa de salida para la clasicacin de PM
10
en la estacin del DIF: (a) Vista 3D del
espacio de caractersticas (PM
10
, Dir. y Vel. de viento); (b) Vista 2D (PM
10
y Dir. de
viento); (c) Vista 2D (PM
10
y Vel. de viento); y (d) Vista 2D (Dir. y Vel. de viento);
Universidad Politcnica de Madrid
6.3 Redes (SOM) representativas 129
Nativitas
La gura 6.14 muestra la visualizacin en 2D y 3D de la Red SOM con 23 neuronas en la
capa de salida y una estructura [23- 1-1] para clasicar las concentraciones de PM
10
en
funcin de los efectos de la direccin y velocidad de viento en la estacin de Nativitas.
En la gura 6.14(a) se muestra la vista 3D de la red SOM en el espacio de car-
actersticas de la estacin de Nativitas. La gura 6.14(b) muestra la vista 2D con el
comportamiento de las concentraciones de PM
10
en funcin de los efectos de la direccin
de viento. En esta gura se puede observar que las altas concentraciones de PM
10
y
consideradas como perjudiciales para la salud de la poblacin estn determinadas con
direccin de viento de entre 70 y 270 grados. La gura 6.14(c) muestra la vista 2D con el
comportamiento de las concentraciones de PM
10
en funcin de los efectos de la velocidad
de viento. En esta gura se puede observar que las altas concentraciones de PM
10
se
presentan con velocidades de viento de entre 3 y 4 m/s. Finalmente, en la gura 6.14(d)
se muestra la vista 2D de la combinacin entre la direccin y la velocidad de viento con
los que se determinan las concentraciones de contaminates. Con esta gura se pueden
determinar los valores de estas variables meteorolgicas con las que se determinan las
concentraciones de PM
10
en la estacin de Nativitas.
Con la estructura SOM se puede observar la clasicacin de las concentraciones de
PM
10
en funcin de los efectos de las variables meteorolgicas. Podemos observar como
la clasicacin de las neuronas 7 y 17 tiene una alta probabilidad de pasar del nivel
de No Contingencia al de Pre-Contingencia determinado por las neuronas 8 y 16. La
neurona 10 y 15 clasican el nivel de Fase I y las neuronas 11, 12, 13 y 14 el nivel de
Fase II. El cuadro 6.2 resume la posicin de las neuronas en el espacio de caractersticas
que determina la red SOM.
Ing. Jos Miguel Barrn Adame
130 Resultados
0
200
400
600
800
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [2311] para PM
10
, Nativitas
Vel. de viento (m/s)
D
i
r
.
d
e
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo Fase I
L. mnimo Fase II
Neuronas
Estructura
1
16
23
12
9
(a)
0 100 200 300 400 500 600 700
0
50
100
150
200
250
300
350
400
Red SOM [2311] para PM
10
, Nativitas
PM
10
( g/m
3
)
D
i
r
e
c
c
i
n
d
e
v
i
e
n
t
o
(
o
)
9
23
1
16
12
(b)
0 100 200 300 400 500 600 700
0
5
10
15
Red SOM [2311] para PM
10
, Nativitas
PM
10
( g/m
3
)
V
e
l
o
c
i
d
a
d
d
e
v
i
e
n
t
o
(
m
/
s
)
12
9
16
1
23
(c)
0 1 2 3 4 5 6 7 8
0
50
100
150
200
250
300
350
400
Red SOM [2311] para PM
10
, Nativitas
Velocidad de viento (m/s)
D
i
r
e
c
c
i
n
d
e
v
i
e
n
t
o
(
o
)
23
1
16
9
12
(d)
Figura 6.14: Red Neuronal de Mapas Auto-Organizados (SOM) con 19 neuronas en la
capa de salida para la clasicacin de PM
10
en la estacin de Nativitas: (a) Vista 3D
(PM
10
, Dir. y Vel. de viento); (b) Vista 2D (PM
10
y Dir. de viento); (c) Vista 2D (PM
10
y Vel. de viento); y (d) Vista 2D (Dir. y Vel. de viento);
Universidad Politcnica de Madrid
6.3 Redes (SOM) representativas 131
El cuadro 6.2 resume la posicin de las neuronas para las estructuras SOM en el
espacio de caractersticas de las tres estaciones de monitorizacin. Las lneas negras
horizontales en el cuadro delimitan los niveles de calidad del aire de No contingencia,
Pre-contingencia, Fase I y Fase II indicados respectivamente como NC, PRE, FI y FII.
Nmero y posicin de neuronas en el espacio de caractersticas
Cruz Roja DIF Nativitas
neurona PM
10
Vel. Dir. Nivel PM
10
Vel. Dir. Nivel PM
10
Vel. Dir. Nivel
g/m
3
m/s
o
ppb m/s
o
ppb m/s
o
1 114,8902 1,415 348,3467 NC 4,2575 1,7857 2,7572 NC 22,1476 3,0908 107,523 NC
2 70,1547 1,7896 354,5211 NC 28,4331 1,6098 4,3984 NC 20,5942 2,8671 67,0219 NC
3 42,1317 1,9787 353,7467 NC 56,4051 1,4657 24,3124 NC 32,6431 2,138 16,8439 NC
4 34,5375 1,899 323,3233 NC 27,5086 2,2177 60,8039 NC 54,523 2,2435 5,3632 NC
5 43,6839 2,1407 269,4968 NC 4,9946 3,5183 106,7243 NC 76,2014 3,4522 26,0285 NC
6 81,579 2,5869 252,0888 NC 2,727 3,7605 132,8619 NC 90,3719 4,6444 71,0506 NC
7 126,4583 2,5775 233,0473 NC 2,4483 3,3197 154,931 NC 116,5189 4,8222 89,2691 NC
8 97,5925 2,1507 203,3438 NC 15,3751 2,6193 180,6263 NC 170,4456 4,7118 76,8148 PRE
9 52,985 1,6411 175,1951 NC 55,4122 2,7397 176,0356 NC 230,7864 4,2942 78,3745 PRE
10 48,3538 1,7071 133,7479 NC 104,7814 3,429 144,2283 NC 304,8593 3,5389 102,2107 FI
11 54,8161 2,6394 93,1343 NC 171,1393 3,4801 114,9456 PRE 441,191 3,5487 106,9282 FII
12 51,5897 3,3853 69,5056 NC 282,5736 3,2373 118,4991 FI 547,4741 4,0548 131,9447 FII
13 40,9869 3,573 51,2281 NC 379,4144 2,7634 164,4233 FII 525,2627 3,341 207,1385 FII
14 26,2134 3,0866 27,3664 NC 321,1577 1,8156 243,1244 FI 412,3539 2,5903 267,2067 FII
15 26,7612 2,3298 7,4324 NC 196,6291 1,9214 287,9661 PRE 299,5704 2,9288 269,4054 FI
16 43,8824 1,8631 3,5041 NC 127,3121 2,2369 310,2544 NC 209,3039 3,1198 254,6036 PRE
17 68,4904 1,5507 5,1013 NC 79,5065 1,7204 341,0286 NC 126,3453 2,7578 230,4306 NC
18 90,9396 1,6747 12,7573 NC 56,1972 1,9897 340,2481 NC 58,8518 2,0086 217,6624 NC
19 102,1153 2,5372 39,1517 NC 34,8901 2,5686 300,8453 NC 27,9744 2,0397 242,5046 NC
20 112,9329 3,1305 68,3705 NC 14,2582 2,1349 277,6043 NC 21,6076 2,3979 290,8296 NC
21 147,8821 2,5265 72,5883 PRE 3,8285 1,5148 315,2754 NC 30,384 2,2376 336,5985 NC
22 193,4832 1,6999 66,0748 FI 2,3324 1,3448 347,938 NC 55,1359 2,036 352,3743 NC
23 268,2187 1,5133 79,1147 FI - - - - 78,7529 2,0463 350,7593 NC
24 362,4701 1,6374 97,6178 FII - - - - - - - -
NC No contingencia PRE Pre-contingencia
FI Fase I FII Fase II
Cuadro 6.2: Posicin de las neuronas en el espacio de caractersticas para PM
10
en las
estaciones de monitorizacin.
El cuadro 6.3 resume los valores nales del proceso de entrenamiento de la red SOM.
El proceso para obtener la estructura SOM nal consisti en crear y entrenar una red
SOM con cuatro neuronas (niveles de contaminacin establecidos por las Autoridades
Ambientales en el programa PROAIRE). Los resultados obtenidos sern analizados
y evaluados (menor error de clasicacin de las concentraciones) con los niveles del
Ing. Jos Miguel Barrn Adame
132 Resultados
programa PROAIRE. Otra SOM fue creada y entrenada con una neurona adicional.
El criterio de evaluacin se volvi a realizar y a evaluar. El nmero de neuronas se
incremento hasta que se obtuvieron los mejores resultados con el criterio de evaluacin.
La red SOM fue seleccionada y evaluada con valores de concentraciones y variables
meteorolgicas (conjunto de prueba no considerado en el entrenamiento) de un da.
Contaminante
Estacin de Vector de Iteraciones de Estructura ( %) Error de ( %) Error de
monitorizacin entrenamiento aprendizaje SOM aprendizaje prueba
SO
2
Cruz Roja [1506 x 3] 350 [16-1-1] 3.5 1.7
DIF [1560 x 3] 212 [14-1-1] 2.8 1.4
Nativitas [1284 x 3] 164 [14-1-1] 3.8 1.8
PM
10
Cruz Roja [1560 x 3] 734 [24-1-1] 2.6 1.3
DIF [1560 x 3] 643 [22-1-1] 3.4 1.6
Nativitas [1350 x 3] 762 [23-1-1] 3.6 1.7
Cuadro 6.3: Parmetros de entrenamiento de las redes SOM.
Para todas las estructuras SOM la posicin inicial de las neuronas fue el valor medio
de los datos. De igual forma, el proceso de entrenamiento se detuvo cuando en todas las
neuronas de la estructura SOM se obtuvo una diferencia en posicin del 1 % (del espacio
de caractersticas de cada variable) con el entrenamiento anterior. Los otros parmetros
de entrenamiento fueron: topologa = rejilla y distancia entre neuronas= distancia
eucldea, tamao de la vecindad = 0.9, funcin de vecindad = gaussiana. Para todas
las estructuras SOM, el tamao de los vectores de prueba fue de [1440 x 3].
6.4 Simulaciones
Esta seccin presenta las simulaciones de clasicacin para concentraciones de SO
2
y
PM
10
en funcin de los efectos de la velocidad y direccin de viento en cada una de
las estaciones de monitorizacin y se comparan con la informacin que se ofrece con el
modelo actual as como con aplicaciones similares. Obviamente, para estas simulaciones
se han elegido casos en los que las concentraciones tanto de SO
2
como de PM
10
formen
parte de los dias de prueba. Uno de los principales objetivos de esta seccin es evaluar
el rendimiento de la Red de Mapas Auto-Organizados (SOM) en la clasicacin de las
Universidad Politcnica de Madrid
6.4 Simulaciones 133
concentraciones de contaminates y demostrar la inuencia de las variables de direccin y
velocidad de viento en las mediciones de las concentraciones.
Las guras 6.15, 6.19 y 6.17 son ejemplo de clasicacin para SO
2
, mientras que las
guras 6.15, 6.19 y 6.17 lo son para PM
10
.
Ing. Jos Miguel Barrn Adame
134 Resultados
6.4.1 Dixido de azufre (SO
2
)
0
200
400
600
0
2
4
6
8
0
100
200
300
400
SO
2
(ppb)
Clasificacin de SO
2
, SOM [1611], Cruz Roja, 01/10/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
No continnecia
Posible Precontingencia
Precontingencia
Fase I
Fase II
(a)
0 100 200 300 400 500 600 700
0
50
100
150
200
250
300
350
400
SO
2
(ppb)
Clasificacin de SO
2
, SOM [1611], Cruz Roja, 01/10/06
D
i
r
.
v
i
e
n
t
o
(
o
)
(b)
0 100 200 300 400 500 600 700
0
1
2
3
4
5
6
7
8
SO
2
(ppb)
Clasificacin de SO
2
, SOM [1611], Cruz Roja, 01/10/06
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
(c)
0 1 2 3 4 5 6 7 8
0
50
100
150
200
250
300
350
400
Vel. viento (m/s)
Clasificacin de SO
2
, SOM [1611], Cruz Roja, 01/10/06
D
i
r
.
v
i
e
n
t
o
(
o
)
(d)
Figura 6.15: Clasicacin de SO
2
en la estacin de la Cruz Roja: (a) Visualizacin 3D
(SO
2
, Vel. y Dir. de viento); (b) Visualizacin 2D SO
2
y Dir. de viento; (c) Visualizacin
2D SO
2
y Vel. de viento; y, (d) Visualizacin 2D (Vel. y Dir. de viento.
Universidad Politcnica de Madrid
6.4 Simulaciones 135
0
100
200
300
400
500
600
0
5
10
0
50
100
150
200
250
300
350
400
SO
2
(ppb)
Clasificacin de SO
2
, SOM [1411], DIF, 04/12/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
No continnecia
Precontingencia
Fase I
Fase II
(a)
0 100 200 300 400 500 600
0
50
100
150
200
250
300
350
400
Clasificacin de SO
2
, SOM [1411], DIF, 04/12/06
SO
2
(ppb)
D
i
r
.
v
i
e
n
t
o
(
o
)
(b)
0 100 200 300 400 500 600
0
2
4
6
8
10
12
14
Clasificacin de SO
2
, SOM [1411], DIF, 04/12/06
SO
2
(ppb)
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
(c)
0 2 4 6 8 10 12 14
0
50
100
150
200
250
300
350
400
Clasificacin de SO
2
, SOM [1411], DIF, 04/12/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
(d)
Figura 6.16: Clasicacin de SO
2
en la estacin del DIF: (a) Visualizacin 3D (SO
2
, Vel.
y Dir. de viento); (b) Visualizacin 2D SO
2
y Dir. de viento; (c) Visualizacin 2D SO
2
y
Vel. de viento; y, (d) Visualizacin 2D (Vel. y Dir. de viento.
Ing. Jos Miguel Barrn Adame
136 Resultados
0
100
200
300
400
500
0
5
10
0
100
200
300
400
SO
2
(ppb)
Clasificacin de SO
2
, SOM [1411], Nativitas, 30/12/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
No contingencia
Precontingencia
Fase I
Fase II
(a)
0 100 200 300 400 500
0
50
100
150
200
250
300
350
400
Clasificacin de SO
2
, SOM [1411], Nativitas, 30/12/06
SO
2
(ppb)
D
i
r
.
v
i
e
n
t
o
(
o
)
(b)
0 100 200 300 400 500
0
2
4
6
8
10
Clasificacin de SO
2
, SOM [1411], Nativitas, 30/12/06
SO
2
(ppb)
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
(c)
0 2 4 6 8 10
0
50
100
150
200
250
300
350
400
Clasificacin de SO
2
, SOM [1411], Nativitas, 30/12/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
(d)
Figura 6.17: Clasicacin de SO
2
en la estacin de Nativitas: (a) Visualizacin 3D (SO
2
,
Vel. y dir. de viento); (b) Visualizacin 2D SO
2
y Dir. de viento; (c) Visualizacin 2D SO
2
y Vel. de viento; y, (d) Visualizacin 2D (Vel. y Dir. de viento.
Universidad Politcnica de Madrid
6.4 Simulaciones 137
6.4.2 Partculas (PM
10
)
0
100
200
300
400
500
600
700
0
10
20
0
100
200
300
400
PM
10
( g/m
3
)
Clasificacin de PM
10
, SOM [2411], Cruz Roja, 30/12/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
No contingencia
Precontingencia
(a)
0 100 200 300 400 500 600 700
0
50
100
150
200
250
300
350
400
PM
10
( g/m
3
)
Clasificacin de PM
10
, SOM [2411], Cruz Roja, 30/12/06
D
i
r
.
v
i
e
n
t
o
(
o
)
(b)
0 100 200 300 400 500 600 700
0
5
10
15
20
25
PM
10
( g/m
3
)
Clasificacin de PM
10
, SOM [2411], Cruz Roja, 30/12/06
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
(c)
0 5 10 15
0
50
100
150
200
250
300
350
400
Clasificacin de PM
10
, SOM [2411], Cruz Roja, 30/12/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
(d)
Figura 6.18: Clasicacin de PM
10
en la estacin de Cruz Roja: (a) Visualizacin 3D
(PM
10
, vel. y dir. de viento); (b) Visualizacin 2D PM
10
y dir. de viento; (c) Visualizacin
2D PM
10
y vel. de viento; y, (d) Visualizacin 2D vel. y dir. de viento.
Ing. Jos Miguel Barrn Adame
138 Resultados
0
100
200
300
400
500
600
700
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Clasificacin de PM
10
, SOM [2211], DIF, 30/12/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
No contingencia
Precontingencia
Fase I
Fase II
(a)
0 100 200 300 400 500 600 700
0
50
100
150
200
250
300
350
400
PM
10
( g/m
3
)
Clasificacin de PM
10
, SOM [2211], DIF, 30/12/06
D
i
r
.
v
i
e
n
t
o
(
o
)
(b)
0 100 200 300 400 500 600 700
0
2
4
6
8
10
12
14
16
18
PM
10
( g/m
3
)
Clasificacin de PM
10
, SOM [2211], DIF, 30/12/06
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
(c)
0 2 4 6 8 10 12 14 16 18
0
50
100
150
200
250
300
350
400
Vel. viento (m/s)
Clasificacin de PM
10
, SOM [2211], DIF, 30/12/06
D
i
r
.
v
i
e
n
t
o
(
o
)
(d)
Figura 6.19: Clasicacin de PM
10
en la estacin del DIF: (a) Visualizacin 3D (PM
10
,
vel. y dir. de viento); (b) Visualizacin 2D PM
10
y dir. de viento; (c) Visualizacin 2D
PM
10
y vel. de viento; y, (d) Visualizacin 2D vel. y dir. de viento.
Universidad Politcnica de Madrid
6.4 Simulaciones 139
0
100
200
300
400
500
600
700
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Clasificacin de PM
10
, SOM [2311], Nativitas, 30/12/06
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
No contingencia
Precontingencia
Fase I
(a)
0 100 200 300 400 500 600 700
0
50
100
150
200
250
300
350
400
Clasificacin de PM
10
, SOM [2311], Nativitas, 30/12/06
PM
10
( g/m
3
)
D
i
r
.
v
i
e
n
t
o
(
o
)
(b)
0 100 200 300 400 500 600 700
0
2
4
6
8
10
12
Clasificacin de PM
10
, SOM [2311], Nativitas, 30/12/06
PM
10
( g/m
3
)
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
(c)
0 100 200 300 400 500 600 700
0
2
4
6
8
10
12
Clasificacin de PM
10
, SOM [2311], Nativitas, 30/12/06
PM
10
( g/m
3
)
V
e
l
.
v
i
e
n
t
o
(
m
/
s
)
(d)
Figura 6.20: Clasicacin de PM
10
en la estacin de Nativitas: (a) Visualizacin 3D (PM
10
,
vel. y dir. de viento); (b) Visualizacin 2D PM
10
y dir. de viento; (c) Visualizacin 2D
PM
10
y vel. de viento; y, (d) Visualizacin 2D vel. y dir. de viento.
Ing. Jos Miguel Barrn Adame
140 Resultados
Con el modelo propuesto en esta Tesis Doctoral, adems de obtener la clasicacin de
las concentraciones de contaminantes en los niveles de contaminacin atmosfrica, que se
obtiene tambin con el modelo actual, se modelan los efectos de las variables meteorolg-
icas en las concentraciones de contaminantes y se obtiene una representacin automtica
del nivel de contaminacin atmosfrica en cada una de las estaciones de monitorizacin.
Otra desventaja del modelo actual sobre el modelo propuesto es que el valor del nivel
de la contaminacin atmosfrica se obtiene con los promedios horario, valor que puede
ser afectado por concentraciones altas o bajas en las mediciones. Otra de las ventajas
obtenidas con el modelo propuesto, una vez que la red SOM ha sido entrenada, es que el
nivel de contaminacin atmosfrica se puede obtener en el momento que se registran las
mediciones atmosfricas por los sensores. Adems, el proceso de incrementar neuronas en
la red SOM proporciono exibilidad a la misma, ya que permiti una mejor adaptacin a
los patrones de entrenamiento y representar a los niveles de contaminacin (ver cuadros
6.1 y 6.2). Los valores considerados para entrenar la red SOM fueron las concentraciones
mximas y mnimas reales de cada contaminante y sus variables asociadas de direccin y
velocidad de viento, lo que ofrece una abilidad en la estimacin de la contaminacin.
En aplicaciones, la red SOM fue combinada con un MLP para predecir la calidad
del aire en la ciudad de Estocolmo para las concentraciones de NO
2
[25]. En este caso,
la red SOM fue usada por los autores para entender la relacin de las variables con las
que se entrena el MLP. En otro estudio, se utilizo a la red SOM con el propsito de
clasicar las concentraciones de PM
10
[26]. Con la red SOM los autores identicaron
las estaciones de supervisin con concentraciones de PM
10
similares. Los resultados de
este estudio fueron usados para decidir las estrategias de control en diferentes zonas de
Taiwan. En otro estudio, la red SOM ha sido empleada para predecir la concentracin
horaria de contaminantes (NO
2
, O
3
, CO y PM
10
) en la ciudad de Zagreb (Croacia) [28]
o para evaluar las capacidades de un sistema de supervisin de la calidad del aire en
la ciudad de Bilbao (Espaa) [29]. En el primero, la metodologa desarrollada considera
a las variables meteorolgicas de direccin y velocidad de viento, presin baromtrica
y temperatura como elementos cualitativos de entrada del modelo. En el segundo, la
metodologa identica la redundancia de sensores y evala las capacidades del sistema de
supervisin para entender y representar las concentraciones de SO
2
en la ciudad.
Universidad Politcnica de Madrid
Captulo 7
Discusin y conclusiones
142 Discusin y conclusiones
7.1 Discusin
En este trabajo de Tesis se ha propuesto un modelo de supervisin inteligente que
contribuye a determinar de forma automtica y conable el ICA en la ciudad de
Salamanca. Hemos orientado el modelo de supervisin partiendo desde el anlisis de una
base de datos proporcionada por las Autoridades Ambientales de la ciudad de Salamanca.
Los patrones extrados de la base de datos contienen informacin de los principales
contaminantes (SO
2
y PM
10
) y de variables meteorolgicas (direccin y velocidad de
viento). En el proceso de generacin de patrones, se consideraron para cada contaminante
las concentraciones mximas y mnimas diarias asociadas a sus respectivos valores de
direccin y velocidad de viento.
En esta investigacin hemos demostrado que episodios severos de contaminacin
atmosfrica no slo son atribuidos a repentinos incrementos en las concentraciones de
contaminantes sino tambin a ciertas condiciones meteorolgicas las cuales disminuyen
la capacidad de la atmsfera para dispersar estas concentraciones. La metodologa
implementada combino las tcnicas de Fusin de Datos de Sensores (FDS) y Redes
Neuronales Articiales (RNA). El modelo adems de considerar las concentraciones de
los contaminantes integra a las variables meteorolgicas de direccin y velocidad de
viento como elementos de decisin para estimar el ICA.
Dada la importancia para la seleccin de los conjuntos de entrenamiento y test, se
realizo un anlisis a las series temporales de las concentraciones de contaminantes y
variables meteorolgicas de direccin y velocidad de viento. En concreto se pretenda
extraer informacin relevante y representativa para generar patrones de entrenamiento
en una red SOM. Los patrones de entrenamiento se crearon atendiendo a los criterios
de calidad del aire establecidos por Autoridades Ambientales. La informacin con la
que se generaron los patrones de entrenamiento se integro mediante los valores de las
concentraciones mximas y mnimas diarias de cada contaminante con los de sus variables
asociadas de direccin y velocidad de viento.
Universidad Politcnica de Madrid
7.1 Discusin 143
El primer paso para obtener la red SOM resultante consisti en separar los datos
en dos grupos: entrenamiento y prueba. Una red SOM con cuatro neuronas fue creada
y entrenada usando el conjunto de datos de entrenamiento. Los resultados obtenidos
fueron analizados y evaluados con los niveles de contaminacin establecidos por las
Autoridades Ambientales en el programa PROAIRE. Otra SOM fue creada y entrenada
con una neurona adicional. El criterio de evaluacin se volvi a realizar y a evaluar.
El nmero de neuronas se incremento hasta que se obtuvieron los mejores resultados
con el criterio de evaluacin. La red SOM fue seleccionada y evaluada con el conjunto
de prueba. El proceso de entrenamiento se detuvo cuando en todas las neuronas de la
estructura SOM se obtuvo una estabilidad del 1 % con respecto a la posicin de las
neuronas del espacio de caractersticas de cada variable. Este proceso (agregar neuronas),
hace ms exible a la red SOM, permitiendo que se adapte a los datos de entrenamiento.
El entrenamiento de la red SOM se inicio con 4 neuronas, incrementando una por una
solo en una direccin, tal como [4-1-1], [5-1-1], etc., hasta obtener la mejor evaluacin. El
proceso de entrenamiento se inicio con una estructura de 4 neuronas ya que es el nmero
de niveles en los que se divide el ICA.
Cada patrn del conjunto de entrenamiento fue representado como un punto en el
espacio 3-dimensional y su proyeccin en una rejilla 1-dimensional.Los patrones del con-
junto de entrenamiento con un comportamiento similar fueron proyectados en la misma
neurona, mientras que los de comportamiento diferente fueron asignados a neuronas
diferentes en la red SOM. La rejilla SOM 1-dimensional ptima fue la que preserv de
un modo ms cercano las distancias existentes de los patrones en el espacio 3-dimensional.
Con la representacin de los patrones por la red SOM se ha comprobado el efecto de
las variables de direccin y velocidad de viento en las concentraciones de SO
2
y PM
10
.
Con la evaluacin de la red SOM se ha encontrado una red SOM ptima que clasica la
correlacin entre contaminantes y variables meteorolgicas y determina el nivel de calidad
de cada contaminante. Los resultados mostraron una interpretacin comprensible de los
efectos de las variables de direccin y velocidad de viento en las concentraciones de SO
2
y PM
10
, adems del comportamiento de la contaminacin en Salamanca.
Ing. Jos Miguel Barrn Adame
144 Discusin y conclusiones
7.2 Conclusiones
En esta Tesis Doctoral se ha presentado un modelo de supervisin de calidad del aire
para la ciudad de Salamanca (Guanajuato, Mxico). El modelo determina, en base a los
efectos de las variables meteorolgicas en las concentraciones de contaminantes los niveles
de calidad del aire en la ciudad. La metodologa consisti en analizar las concentraciones
de contaminantes y variables meteorolgicas para encontrar informacin relevante y
representativa que pueda ser usada para generar patrones de entrenamiento en una Red
Neuronal Articial de Mapas Auto-organizados (SOM). El proceso para obtener la red
SOM resultante consisti en crear y entrenar una red SOM con cuatro neuronas. Los
resultados obtenidos analizados analizados y evaluados con los niveles de contaminacin
establecidos en el programa PROAIRE. Otra red SOM fue creada y entrenada con una
neurona adicional. El criterio de evaluacin se volvi a realizar y a evaluar hasta que se
obtuvieron los mejores resultados con el criterio de evaluacin.
En base a los resultados obtenidos, con el modelo y metodologa implementados,
podemos concluir que:
Con el modelo propuesto se contribuye de una forma eciente y automtica a determi-
nar el ndice de la Calidad del Aire (ICA) en la Ciudad de Salamanca. Con el anlisis de
las series temporales de las concentraciones de contaminantes y variables meteorolgicas
en cada estacin de monitorizacin se obtuvo informacin relevante y representativa para
entrenar una Red Neuronal Articial de Mapas Auto-organizados (SOM). La informacin
obtenida en el anlisis consisti de las concentraciones mximas y mnimas diarias de cada
contaminante con las variables de direccin y viento asociadas a estas concentraciones.
Las variables de direccin y velocidad de viento fueron factores determinantes en la
medicin de las concentraciones de contaminantes. Con el uso de variables meteorolgicas
fue posible compensar el poco nmero de sensores de contaminantes en un rea extendida
para aumentar la informacin y la exactitud en las mediciones de las concentraciones
de contaminantes, abriendo un campo de investigacin interesante. Con los valores
de la velocidad y direccin de viento se determinan los valores de las concentraciones
de contaminantes y informacin del comportamiento de la contaminacin atmosfrica.
Universidad Politcnica de Madrid
7.2 Conclusiones 145
Con estos factores se determina la ausencia o presencia de altas concentraciones de
contaminantes en ciertas areas de la ciudad (estaciones de monitorizacin). Se evaluaron
estructuras bsicas SOM con diferentes nodos en la capa de salida para determinar los
niveles de calidad del aire en cada una de las estaciones de monitorizacin. En cierta
forma, la calidad del proceso de clasicacin est garantizado ya que a priori se conocen
los valores lmite de las concentraciones de contaminante. La red SOM, un tipo de
RNA con aprendizaje no supervisado demostr su capacidad como potente clasicador
no lineal ya que presenta la ventaja de poder extraer informacin subyacente en con-
juntos de medidas provenientes de sensores a la vez que hace la funcin de fusin de datos.
Con la metodologa implementada se brinda mejor y mayor informacin sobre la con-
taminacin atmosfrica de modo que se puedan tomar acciones apropiadas para reducirla
y proteger a la salud de la poblacin y el medio ambiente. Las tcnicas neuronales prop-
uestas y desarrolladas en esta Tesis presentaron ventajas por el mapeo multidimensional
de variables que permiti interpretar grcamente los resultados. La solucin propuesta
puede ser integrada con facilidad al sistema de monitorizacin de la Ciudad de Salaman-
ca, Mxico y puede extenderse a toda la red nacional de la calidad del aire (en Mxico),
incluso a nivel internacional. El modelo constituye una herramienta de anlisis y toma de
decisiones para Autoridades Ambientales, Empresas y Pblico en general sobre las me-
didas y prevenciones a considerar en caso de presentarse niveles altos de contaminacin
atmosfrica en Salamanca.
Ing. Jos Miguel Barrn Adame
Captulo 8
Contribuciones, lneas futuras de
investigacin y publicaciones
148 Contribuciones, lneas futuras de investigacin y publicaciones
8.1 Contribuciones
La principal aportacin de esta Tesis Doctoral ha sido la de proponer un modelo de
supervisin automtico de la calidad del aire, cuando no es posible contar con un nmero
suciente de sensores de contaminantes en una rea extendida. En este sentido ha sido
necesario integrar la informacin de variables meteorolgicas y aplicar las tcnica de RNA
y FDS. El problema bajo estudio es de una actualidad e importancia de alto impacto. A
continuacin se detallan las aportaciones ms signicativas [133135, 172, 173].
Estructura del sistema.
La aportacin ms importante de esta Tesis Doctoral es la propia estructura del
modelo de supervisin de calidad del aire que combina las tcnicas de RNA y FDS.
Este modelo inspirado por la continua emisin de episodios contaminantes, presenta
innovaciones importantes ligadas con la calidad del aire. Entre ellas cabe destacar
la utilizacin de una red SOM como clasicador para determinar la emisin de
episodios contaminantes, y la utilizacin de esta misma estructura para obtener una
estimacin ms completa del ICA y con mayor informacin sobre su evolucin y
dispersion en la ciudad.
Seleccin de datos.
Dada la importancia prestada a la seleccin de los conjuntos de entrenamiento y
prueba, fue necesario realizar un anlisis a las series temporales de las concen-
traciones de contaminantes y variables meteorolgicas de direccin y velocidad de
viento. En concreto se pretenda extraer informacin relevante y representativa que
pudiese ser utilizada para generar patrones de entrenamiento en una red SOM.
Los patrones de entrenamiento deban crearse atendiendo a los criterios de cali-
dad del aire establecidos por Autoridades Ambientales. La informacin con la que
se generaron los patrones de entrenamiento estuvo integrada por los valores de las
concentraciones mximas y mnimas diarias de cada contaminante con los de sus
variables asociadas de direccin y velocidad de viento. En la actualidad las medi-
ciones sobre contaminantes se basan en el uso de promedios mviles. La minera de
datos aqu presentada permite extraer ms informacin de las series temporales y
utilizarla para estimar el ICA con mayor ecacia.
Universidad Politcnica de Madrid
8.1 Contribuciones 149
La red SOM.
La red SOM, que ha sido presentada como un potente clasicador no lineal que
presenta la ventaja de poder extraer informacin subyacente en conjuntos de me-
didas provenientes de sensores a la vez que hace la funcin de fusin de datos, ha
sido dotada de mayor exibilidad. El aumento de la exibilidad se ha conseguido
mediante el incremento de neuronas en la capa de salida. El incremento de neuronas
proporciona una mejor clasicacin pero aumenta signicativamente el tiempo de
entrenamiento. El proceso realizado para obtener la red SOM consisti en crear y
entrenar una red SOM con cuatro neuronas. Los resultados obtenidos fueron anal-
izados y evaluados con los niveles de contaminacin establecidos por Autoridades
Ambientales. Otra red SOM fue creada y entrenada con una neurona adicional. El
criterio de evaluacin se volvi a realizar y a evaluar hasta que se obtuvieron los
mejores resultados con el criterio de evaluacin.
Anlisis del modelo.
Una vez que el modelo de supervisin ha sido obtenido a partir de la informacin
que se pretende modelar, es posible evaluar el efecto de las variables de direccin
y velocidad de viento en las concentraciones de contaminantes. Esta evaluacin
permite identicar los valores de las variables meteorolgicas que no tienen inuencia
en las concentraciones de contaminantes, con el n de que se elimine la emisin
de falsos episodios contaminantes. Esta evaluacin juega un papel fundamental al
realizar la estimacin del ICA sobre la regin de riesgo para la poblacin.
La solucin propuesta puede ser integrada con facilidad al sistema de monitorizacin
de la Ciudad de Salamanca, Mxico y puede extenderse a toda la red nacional de
la calidad del aire (en Mxico), incluso a nivel internacional, constituyendo una
referencia importante en sistemas similares que se estn empezando a estudiar en
todo el mundo.
Las consideraciones expuestas en esta Tesis demuestran que es posible compensar el
poco nmero de sensores de contaminantes en un rea extendida mediante el uso de
ms variables para aumentar la informacin y la exactitud en las mediciones de las
concentraciones de contaminantes, abriendo un campo de investigacin interesante.
Ing. Jos Miguel Barrn Adame
150 Contribuciones, lneas futuras de investigacin y publicaciones
La difusin, el impacto, y la potencial transferencia de resultados son muy altos,
existiendo ya numerosa referencias en internet (inlinks) de ndole tan variada y
relevante como salud, ecologa, proteccin en el trabajo, noticias internacionales,
prensa escrita y TV [3645, 174178].
8.2 Lneas futuras de investigacin
Con la experiencia acumulada durante el desarrollo de esta Tesis, a continuacin se pre-
sentan las principales lneas de investigacin que han quedado abiertas en esta Tesis:
A Cientcas
La investigacin de modelos para la estimacin de la Calidad del Aire, enfocados al
anlisis multivariable en todos los puntos de monitorizacin que permitan ampliar
el rango de percepcin.
El establecimiento de bases de colaboracin con Universidades, Gobierno, Autori-
dades Ambientales, etc., que fortalezcan la investigacin y desarrollo de sistemas de
informacin geogrca, modelos de dispersion, simulacin y prediccin que permitan
la previsin de posibles episodios de contaminacin atmosfrica.
El establecimiento de bases para la propuesta de una batera de sensores que permita
la medicin de concentraciones de contaminantes a diferentes distancias. Con ello
se evita que las concentraciones de contaminantes salgan del campo de percepcin
de los sensores.
La promocin e impulso de trabajos de investigacin especcos para el desarrollo
y aplicacin de polticas de calidad del aire. Trabajos de colaboracin con univer-
sidades y centros de investigacin en los que se propongan herramientas para la
correcta denicin y aplicacin de medidas de mejora de la calidad del aire para
disposicin de entidades polticas, ambientales y publico en general.
El establecimiento de bases para el apoyo a proyectos relacionados con la calidad
del aire en los Programas para Mejorar la Calidad del Aire destinados a contribuir
con los objetivos del programa Proaires 2007-2012 en el mbito de la investigacin
Universidad Politcnica de Madrid
8.2 Lneas futuras de investigacin 151
tcnica, mediante la convocatoria de ayudas publicas que estimulen a las empresas y
a otras entidades para realizar actividades de investigacin y desarrollo tecnolgico.
B Ambientales
La obtencin de informacin de contaminantes atmosfricos y variables meteo-
rolgicas para generar estrategias de control que permitan determinar el grado de
cumplimiento de las normas de calidad del aire.
La creacin de una base de datos mediante la realizacin de un inventario de emi-
siones que aporte informacin para: a) formular estndares de calidad de aire, b)
llevar a cabo estudios epidemiolgicos que relaciones los efectos de las concentra-
ciones de los contaminantes con los efectos en la salud, c) especicar tipos y fuentes
emisoras, d) llevar a cabo estrategias de control y polticas de desarrollo acordes con
los ecosistemas locales, y e) desarrollar programas racionales para el manejo de la
calidad del aire.
El desarrollo y validacin de herramientas para la medicin de emisiones contami-
nantes que permitan la gestin y evaluacin de estrategias (Sistemas de informacin
geogrca, modelos de dispersion y simulacin, etc.) tanto a mediano y largo plazo.
El desarrollo de sistemas de supervisin ambiental que permitan la identicacin de
fuentes contaminantes y la activacin de procedimientos de emergencia para prevenir
episodios contaminantes.
El desarrollo de sistemas de anlisis de riesgo de tendencias contaminantes que
permitan la identicacin o prevencin de problemas futuros de acuerdo con los
objetivos de gestin y control por las Autoridades Ambientales.
El desarrollo de herramientas automticas para la monitorizacin ambiental que
permita la identicacin de fuentes contaminantes y el anlisis a zonas ms am-
plias o con mayor cobertura para la toma de decisiones en cuanto a previsiones
medio-ambientales, no solo por autoridades ambientales y fuentes de emisin de
contaminantes sino tambin por el publico en general.
Ing. Jos Miguel Barrn Adame
152 Contribuciones, lneas futuras de investigacin y publicaciones
Establecer lneas de colaboracin y accin con instituciones de salud en relacin con
la salud y la calidad del aire.
8.3 Publicaciones
8.3.1 Revistas Internacionales
1. Cortina-Januchs MG, Barrn-Adame JM, Vega-Corona A, and Andina D. Pollution
Alarm System in Mexico, Lecture Notes in Computer Science, Nm. 5517, 2009, pp.
1336-1343, ISBN 978-3-642-02477-1. ISSN 0302-9743. ISSN electrnico: 1611-3349.
DOI 10.1007/978-3-642-02478-8_167.
2. Barron-Adame JM, Herrera-Delgado JA, Cortina-Januchs MG, Andina D and Vega-
Corona A. Air Pollutant Level Estimation Applying a Self-organizing Neural Net-
work, Lecture Notes in Computer Science, Nm. 4528, 2007, pp. 599-607, ISBN
3-540-42237-4. ISSN 0302-9743.
3. M.G. Cortina-Januchs, J.M. Barron-Adame, S. Ledesma, D. Andina y A. Vega-
Corona. PM
10
Classication with SOM Neural Networks for Air Quality Levels
Estimation, Research on Computer Sciences, 21, 2006, pp 97-104. ISSN: 1870-4069.
4. F. S. Buenda, J. Miguel Barrn-Adame, A. Vega-Corona and D. Andina. Improv-
ing GRNNs in CAD systems, Lecture Notes in Computer Science, Nm. 3195, 2004,
pp. 160-167 ISBN 3-540-42237-4. ISSN 0302-9743. ISSN electrnico: 1611-3349.
8.3.2 Captulos de libro
1. Vega-Corona A, Andina D, Buenda-Buenda F S, Barrn-Adame J M. Correla-
tion Analysis of Environmental Pollutants and Meteorological Variables Applying
Neuronal Networks, Intel ligent Production Machines and Systems. DT Pham, EE
Eldukhi, AJ Soroka (Eds), Elsevier Ltd. 2005, pp 237-242. ISBN: 0-080-44730-9.
8.3.3 Congresos Internacionales
1. Cortina-Januchs MG, Barrn-Adame JM, Vega-Corona A, Andina D. Fractal Anal-
ysis of Air Pollutant Concentrations. European Geosciences Union General Assem-
Universidad Politcnica de Madrid
8.3 Publicaciones 153
bly (EGU2010), Vol. 12, EGU2010-9849. Viena, Austria, mayo de 2010.
2. B. Ojeda-Magaa, M.G. Cortina-Januchs, J.M. Barron-Adame, J. Quintanilla-
Dominguez, A. Vega-Corona, R. Ruelas y D. Andina. Air pollution analysis
with PFCM clustering algorithm applied in a real database of Salamanca (Mx-
ico). IEEE. Proc. of the International Conference on Industrial Technology (IC-
IT10). ISBN: 978-1-4244-5695-6. E-ISBN: 978-1-4244-5696-3. DOI: 10.1109/IC-
IT.2010.5472531. Via del Mar (Chile). Marzo de 2010.
3. Barron-Adame JM, Cortina-Januchs MG, Vega-Corona A, Andina D Environmen-
tal Time Series Analysis by Self-Organizing Map Neural Networks. 1
st
European
Workshop on Turbulence and Fractals (EGU2009).pp.10. Instituto Pluridisciplinar
UCM, Madrid, 11 de diciembre de 2009.
4. Cortina-Januchs MG, Barrn-Adame JM, Vega-Corona A, Andina D. Smoothing
Exponential Techniques Applied for Pollutant Concentration Prediction, Proc. of
the 35
th
Annual Conference of the IEEE Industrial Electronics Society (IECON
2009), pp. 3441-3445. Oporto, Portugal, November 2009. IEEE Catalog Num-
ber:CFP09IEC. ISBN:978-1-4244-4659-0. ISSN: 1553-572X.
5. Barron-Adame JM, Cortina-Januchs MG, Vega-Corona A, Andina D, Seijas-
Martinez-Echevarria JI. Data Fusion and Neural Network Combination Method
for Air Pollution Level Monitoring. Proc. of the 2009 7
th
IEEE International Con-
ference on Industrial Informatics (INDIN 2009), pp. 522-527. Cardi, UK, June
2009. ISBN:978-1-4244-3760-3. ISSN: 1935-4576.
6. Cortina-Januchs MG, Barrn-Adame MG, Vega-Corona A, Andina D. Prevision
of Industrial SO
2
Pollutant Concentration Applying ANNs. Proc. of the 2009 7
th
IEEE International Conference on Industrial Informatics (INDIN 2009), pp. 510-
515. Cardi, UK, June 2009. ISBN:978-1-4244-3760-3. ISSN: 1935-4576.
7. Barrn-Adame JM, Cortina-Januchs MG, Andina D, and Vega-Corona A. Moni-
toring strategy to assessment the air pollution level in Salamanca (Mxico). Geo-
physical Research Abstracts, Vol. 11, EGU2009-5587-1. European Geosciences Union
General Assembly, Viena, Austria, abril 2009.
Ing. Jos Miguel Barrn Adame
154 Contribuciones, lneas futuras de investigacin y publicaciones
8. Barrn-Adame JM, Herrera-Delgado J, Buenda-Buenda FS, Andina D, Vega-
Corona A. A Neural Network to solve Air Pollutant Level Estimation, Proc. of the
4
th
International Conference on Cybernetics and Information Technologies, Systems
and Applications (CITSA 2007), Vol III pp 6-9. Orlando, USA, julio 2007. ISBN-10:
1-934272-10-8.
9. Cortina-Januchs MG, Mendoza US, Barron-Adame JM, Andina D and Antonio
Vega-Corona. Forecasting SO
2
air pollution in Salamanca, Mexico using an ADA-
LINE, Proc. of the Intel ligent Production Machines and Systems Virtual Confer-
ence, (IPROMS 2008), 6 pp. 232 - 237. Cardi UK, Julio 2006.
10. Cortina MG, Barrn JM, Ledesma S, Andina D and Vega A PM
10
Classication
with SOM Neural Networks for Air Quality Levels Estimation, Proc. of the First
International Conference on Neural Networks and Associative Memories (NNAM
2006), pp. Ciudad de Mjico, Mjico, Noviembre 2006.
11. Vega-Corona A, Andina D, Buenda-Buenda F S, Barrn-Adame J M. Correlation
Analysis of Environmental Pollutants and Meteorological Variables Applying Neu-
ronal Networks, Proc. of the Intel ligent Production Machines and Systems Virtual
Conference (IPROMS 2005), 6 pp.. Cardi UK, Julio 2005. Imprint: ELSEVIER.
ISBN-13: 978-0-08-044730-8. ISBN-10: 0-08-044730-9.
8.3.4 Participacin en proyectos
1. Ttulo del proyecto: Sistema de Supervisin Automtica de Calidad del Aire y
Gestin de Contingencias Medioambientales en Mxico - Segunda Etapa. Entidad
nanciadora: Universidad Politcnica de Madrid. Entidades participantes: 3.
Duracin, desde: Enero-2010 hasta: Diciembre - 2010. Investigador responsable:
Dr. Diego Andina. Nmero de investigadores participantes: 5.
2. Ttulo del proyecto: Sistema de Supervisin Automtica de Calidad del Aire y
Gestin de Contingencias Medioambientales en Mxico - Primera Etapa. Entidad
nanciadora: Universidad Politcnica de Madrid. Entidades participantes: 3.
Duracin, desde: Enero-2009 hasta: Diciembre - 2009. Investigador responsable:
Dr. Diego Andina. Nmero de investigadores participantes: 5.
Universidad Politcnica de Madrid
8.3 Publicaciones 155
3. Ttulo del proyecto: Diseo de un modulo automtico para la estimacin del ndice
de la calidad del aire para la red de monitoreo ambiental de Salamanca. Entidad
nanciadora: Instituto de Ecologa del Estado de Guanajuato. Entidades par-
ticipantes: 3. Duracin, desde: Marzo-2006 hasta: Marzo - 2007. Investigador
responsable: Dr. Antonio Vega Corona. Nmero de investigadores partici-
pantes: 4.
4. Ttulo del proyecto: Diseo de un modulo automtico para la estimacin del ndice
de la calidad del aire para la red de monitoreo ambiental de Salamanca. Entidad
nanciadora: Fondo Mixto, Consejo Nacional de Ciencia y Tecnologa, Entidades
participantes: 3. Duracin, desde: Marzo-2006 hasta: Marzo-2007. Investigador
responsable: Dr. Antonio Vega Corona. Nmero de investigadores partici-
pantes: 4.
Ing. Jos Miguel Barrn Adame
Apndice A
Estructuras SOM
158 Estructuras SOM
A.1 Introduccin
En este apndice se presentan las redes neuronales de Mapas Auto-Organizados (SOM)
con diferentes neuronas en la capa de salida obtenidas en cada estacin de monitorizacin
para las concentraciones de SO
2
y PM
10
en correlacin con la direccin y velocidad de
viento. El propsito de incrementar en nmero de neuronas en la capa de salida fue el
de obtener la mejor clasicacin de las concentraciones de SO
2
y PM
10
en los diferentes
niveles de calidad del aire. Para obtener cada red SOM se fue incrementando el nmero
de entrenamientos hasta que todos los centros de la red SOM tuviesen una diferencia en
posicin del 1 % de las concentraciones. Se fue incrementado el nmero de neuronas con
el propsito obtener la red SOM que mejor se adapte a los niveles de calidad del aire y
clasique las concentraciones de SO
2
y PM
10
.
El captulo esta organizado por las secciones A.2 y A.3 que presentan para SO
2
y
PM
10
el comportamiento de las concentraciones de contaminantes.
A.2 Dixido de Azufre (SO
2
) en Cruz Roja, DIF y
Nativitas
Las guras A.1, A.2 y A.3 muestran las diferentes redes SOM entrenadas con los valores de
las concentraciones mximas y mnimas diarias de SO
2
y la velocidad y direccin de viento.
Universidad Politcnica de Madrid
A.2 Dixido de Azufre (SO
2
) en Cruz Roja, DIF y Nativitas 159
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [511] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [611] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [711] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [811] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [911] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [1011] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [1111] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [1211] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [1311] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [1411] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [1511] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
SO
2
(ppb)
Red SOM [1611] para SO
2
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
Figura A.1: Incremento de nodos para la obtencin nal de la estructura SOM en las
concentraciones de SO
2
de la estacin de la Cruz Roja:
Ing. Jos Miguel Barrn Adame
160 Estructuras SOM
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [411] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [511] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [611] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [711] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [711] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [811] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [911] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [1111] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [1211] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [1311] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [1411] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
SO
2
(ppb)
Red SOM [1511] para SO
2
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
Figura A.2: Incremento de nodos para la obtencin nal de la estructura SOM en las
concentraciones de SO
2
de la estacin de DIF.
Universidad Politcnica de Madrid
A.2 Dixido de Azufre (SO
2
) en Cruz Roja, DIF y Nativitas 161
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [411] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [511] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [511] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [611] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [711] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [811] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [1011] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [1111] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [1211] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [1311] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [1411] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
SO
2
(ppb)
Red SOM [1511] para SO
2
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
Figura A.3: Incremento de nodos para la obtencin nal de la estructura SOM en las
concentraciones de SO
2
de la estacin de Nativitas.
Ing. Jos Miguel Barrn Adame
162 Estructuras SOM
A.3 Partculas (PM
10
) en Cruz Roja, DIF y
Nativitas
La guras A.4 A.5 y A.6 muestran las diferentes redes SOM entrenadas con los valores
de las concentraciones mximas y mnimas diarias de PM
10
y la velocidad y direccin de
viento.
Universidad Politcnica de Madrid
A.3 Partculas (PM
10
) en Cruz Roja, DIF y Nativitas 163
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [411] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [511] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [611] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [711] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [811] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [911] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1011] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1111] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1211] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1311] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1411] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1511] para PM
10
, Cruz Roja
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
Figura A.4: Incremento de nodos para la obtencin nal de la estructuras SOM en las
concentraciones de PM
10
de la estacin de la Cruz Roja.
Ing. Jos Miguel Barrn Adame
164 Estructuras SOM
0
200
400
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1711] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1611] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1511] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1411] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1311] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1211] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1111] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1011] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [911] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [811] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [711] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
10
20
30
40
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [611] para PM
10
, DIF
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
Figura A.5: Incremento de nodos para la obtencin nal de la estructuras SOM en las
concentraciones de PM
10
de la estacin del DIF.
Universidad Politcnica de Madrid
A.3 Partculas (PM
10
) en Cruz Roja, DIF y Nativitas 165
0
100
200
300
400
500
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1711] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1611] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1511] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1411] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1311] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1211] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1111] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [1011] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [911] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [811] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
200
400
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [711] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
0
100
200
300
400
500
600
0
5
10
15
0
100
200
300
400
PM
10
( g/m
3
)
Red SOM [611] para PM
10
, Nativitas
Vel. viento (m/s)
D
i
r
.
v
i
e
n
t
o
(
o
)
L. mnimo Precontingencia
L. mnimo fase I
L. mnimo fase II
Neuronas
Estructura
Figura A.6: Incremento de nodos para la obtencin nal de la estructuras SOM en las
concentraciones de PM
10
de la estacin de Nativitas.
Ing. Jos Miguel Barrn Adame
ndice alfabtico
Agencia de Proteccin Ambiental, 18
Aire, 31
Contaminacin del:, 31
contaminantes
atmosfricos, 32
criterio, 32
Guas de la Calidad, 35
Normas de la Calidad, 36
Aite
contaminantes peligrosos del, 31
Aprendizaje, 85
autosupervisado, 85
no supervisado, 85
supervisado, 85
Articial Neural Networks, 73
Backpropagation, 81
Capa
de entrada, 81
de salida, 82
intermedia, 82
oculta, 82
Cobertura, 57
Conabilidad, 57
Contaminacin, 31
Dixido
de nitrgeno, 34
de azufre, 34
Distancia
de Manhattan, 90
de Minkowsky, 90
eucldea, 90
Environmental Protection Agency, EPA, 18
Estacin de monitorizacin, 20
Funcin
de activacin, 79
de transferencia, 79
escaln, 80
identidad, 80
lineal, 80
sigmoidal, 81
Fusin, 55
a nivel de datos, 63
a nivel de decisin, 64
a nivel de representacin, 62
a nivel funcional, 58
a nivel intermedio, 63
aplicaciones de, 66
militares, 67
no militares, 67
168 NDICE ALFABTICO
arquitectura en rbol, 66
arquitectura en paralelo, 65
arquitectura en serie, 65
arquitectura tndem, 65
arquitecturas, 64
de alto nivel, 64
modelo JDL, 58
modelos de, 58
multiples sensores, 57
Integracin, 55
de multiples sensores, 55
ventajas, 56
Mapas Autoorganizados, 86
Monxido de carbono, 34
Neurona, 73
articial, 78
OMS, 18
Organizacin Mundial de la Salud, 18
Ozono, 34
Partculas, 33
PM
10
ver Partculas, 33
PNUMA, 18
PROAIRE, 47
Red Neuronal
arquitectura de una, 81
Articial, RNA, 73
monocapa, 83
multicapa, 83
no recurrente, 83
recurrente, 83
Resolucin, 57
Respuesta en Tiempo, 57
United Nations Environment Programme,
18
WHO, 18
World Health Organization, 18
Universidad Politcnica de Madrid
Bibliografa
[1] OMS. Organizacin Mundial de la Salud. Informe sobre la salud en el
mundo 2008 - La atencin primaria de salud, ms necesaria que nunca.
www.who.int/whr/2008/es/index.html, 2008. Ginebra.
[2] Follett, R.F., Shafer, S.R., Jawson, M.D., and Franzluebbers, A.J. Research and
implementation needs to mitigate greenhouse gas emissions from agriculture in the
USA. Soil and Tillage Research, 83(1):159 166, August 2005.
[3] Emberson L., Ashmore M., and Murray F. Air Pollution Impacts on Crops and
Forests - A Global Assessment. Imperial Col lege, Londres, 2003. 2009.01.16.
[4] Gauderman W., Vora H., McConnell R., Berhane K., Gilliland F., Thomas D.,
Lurmann F., Avol E., Kunzli N., Jerrett M., and Peters J. Eect of exposure to
trac on lung development from 10 to 18 years of age: a cohort study. The Lancet,
369(9561):571 577, February 2007.
[5] Whrnschimmel H., Zuk M., Martnez-Villa G., Cern J., Crdenas B., Rojas-
Bracho L., and Fernndez-Bremauntz A. The impact of a Bus Rapid Transit
system on commuters exposure to Benzene, CO, PM
2,5
and PM
10
in Mexico city.
Atmospheric Environment, 42(35):8194 8203, 2008.
[6] Schlink U., Dorling S.R., Pelikan E., Nunnari G., Cawley G., Junninen H., Greig A.,
Foxall R., Eben K., Chatterton T., Vondracek J., Richter M., Dostal M., Bertucco
L., Kolehmainen M., and Doyle M. A rigorous inter-comparison of ground-level
ozone predictions. Atmospheric Environment, 37(23):3237 3253, 2003.
[7] Cuhadaroglu B. and Demirci E. Inuence of some meteorological factors on air
pollution in Trabzon city. Energy and Buildings, 25(3):179 184, 1997.
170 BIBLIOGRAFA
[8] Hrdlickov Z., Michlek J., Kolr M., and Vesel V. Identication of factors aect-
ing air pollution by dust aerosol PM
10
in Brno City, Czech Republic. Atmospheric
Environment, 42(37):8661 8673, 2008.
[9] Vardoulakis S. and Kassomenos P. Sources and factors aecting PM
10
levels in
two European cities: Implications for local air quality management. Atmospheric
Environment, 42(17):3949 3963, 2008. Fifth International Conference on Urban
Air Quality.
[10] Aguinaco Quezada S. El pequeo almanaque Mexicano. Hechos Conables. ISBN
970-93763-3-0, 2005.
[11] IEEG. Instituto de Ecologa. La calidad del aire en Guanajuato, Informe 2006 de
estado y tendencias. Red de Monitoreo de Calidad del Aire del Estado de Guana-
juato, 2006.
[12] Luo R.C., Chih-Chen Y., and Kuo Lan S. Multisensor Fusion And Integration: Ap-
proaches, Applications, And Future Research Directions. Sensors Journal, IEEE,
2(2):107119, 2002.
[13] Valet L., Mauris G., and Bolon P. A statistical overview of recent literature in infor-
mation fusion. Proceedings of the Third International Conference on Information
Fusion, 2000. FUSION 2000, 1:MOC3/22 MOC3/29 vol.1, 2000.
[14] Gamba P., DellAcqua F., and Dasarathy B.V. Urban remote sensing using multiple
data sets: Past, present, and future. Information Fusion, 6(4):319 326, 2005.
Fusion of Remotely Sensed Data over Urban Areas.
[15] Freman A.J. and Skacura M.D. Neural Networks Algorithms, Application and
Programming Techniques. Adison Wesley, 1991.
[16] Haykin S. Neural Networks. Prentice Hall, 2nd edition, 1999.
[17] Andina, D. and Pham, D.T. Computational intel ligence for engineering and man-
ufacturing. Springer, 1
st
edition, 2007.
Universidad Politcnica de Madrid
BIBLIOGRAFA 171
[18] IEEG. Instituto de Ecologa del Estado de Guanajuato. Patronato para el Monitoreo
de la Calida del Aire de Salamanca, 2007. [en lnea] www.calidadairesalamanca.
org.mx/.
[19] SS. Secretara de Salud. Norma Ocial Mexicana NOM-022-SSA1-1993, 1994.
[20] SS. Secretara de Salud. Norma Ocial Mexicana NOM-025-SSA1-1993, Diciembre
1994.
[21] SEMARNAT. Secretaria de Medio Ambiente y Recursos Naturales. Programa
para mejora de la calidad del aire en Salamanca : PROAIRE 2003 - 2006.
www.semarnat.gob.mx/gestionambiental/calidaddelaire/Pages/programas.aspx,
Abril 2004.
[22] EPA. Environmental Protection Agency. Air Quality Index. 2005.
[23] CICA. Centro de Informacin sobre Contaminacin de Aire, Red de Transferencia de
Tecnologa Centro de Informacin sobre Contaminacin de Aire (CICA) para la fron-
tera entre EE. UU. - Mxico, 2005. http://www.epa.gov/ttn/catc/cica/indexs.html.
[24] Barron-Adame J.M., Cortina-Januchs M.G., Vega-Corona A., Andina D., and
Martinez-Echevarria J.I.S. Data fusion and neural network combination method for
air pollution level monitoring. In INDIN 09. 7th IEEE International Conference
on Industrial Informatics, pages 522527, June 2009.
[25] Kolehmainen M., Martikainen H., and Ruuskanen J. Neural networks and periodic
components used in air quality forecasting. Atmospheric Environment, 35(5):815
825, 2001.
[26] Hsin-Chung L., Chung-Liang C., and Jen-Chieh H. Classication of PM
10
distri-
butions in Taiwan. Atmospheric Environment, 40(8):1452 1463, 2006.
[27] Vladimir O., Petr H., Jiri K., and Ilona O. Air Quality Modelling by Koho-
nens Neural Networks. Proceeding of the 5th WSEAS Int. Conf. on Environment,
Ecosystems and Development,, pages 216 221, December. 2007.
Ing. Jos Miguel Barrn Adame
172 BIBLIOGRAFA
[28] Lovro H., Zvjezdana B.C., Josip K., Oleg A., and Predrag H. Neural network fore-
casting of air pollutants hourly concentrations using optimised temporal averages of
meteorological variables and pollutant concentrations. Atmospheric Environment,
43(35):5588 5596, 2009.
[29] Ibarra-Berastegi G., Senz J., Ezcurra A., Ganzedo U., Daz de Argandoa J., Er-
rasti I., Fernandez-Ferrero A., and Polanco-Martnez J. Assessing spatial variability
of SO
2
eld as detected by an air quality network using Self-Organizing Maps, clus-
ter, and Principal Component Analysis. Atmospheric Environment, 43(25):3829
3836, 2009.
[30] Karaca F. and Camci F. Distant source contributions to PM
10
prole evaluated by
SOM based cluster analysis of air mass trajectory sets. Atmospheric Environment,
44(7):892 899, 2010.
[31] Barron-Adame J.M., Herrera-Delgado J.A., Cortina-Januchs M.G., Andina D., and
Vega-Corona A. Air Pollutant Level Estimation Applying a Self-organizing Neu-
ral Network. In Proceedings of the 2nd international work-conference on Nature
Inspired Problem-Solving Methods in Knowledge Engineering. IWINAC 07, pages
599607. Springer-Verlag, 2007.
[32] Barron-Adame J.M., Cortina-Januchs M.G., Vega-Corona A., Buendia-Buendia
F.S., and Andina D. A Neural Network to solve Air Pollutant Level Estimation.
In Proceedings of the 4th International Conference on Cybernetics and Information
Technologies, Systems and Applications. CITSA 2007., volume III, pages 69, 2007.
[33] Cortina-Januchs M.G., Barron-Adame J.M., Ledesma S., Matinez-Celorio R.A., and
Vega-Corona A. SO
2
classication for air quality levels estimation using articial
intelligent techniques. Multiconference on Electronics and Photonics, 2006. MEP
2006., pages 158162, November 2006.
[34] Cortina-Januchs M.G., Barron-Adame J.M., Ledesma S., Andina D., and Vega-
Corona A. PM
10
classication with SOM Neural Networks for Air Quality Levels
Estimation. Neural Networks and Associative Memories, 2006. NNAM 2006., pages
97104, 2006.
Universidad Politcnica de Madrid
BIBLIOGRAFA 173
[35] Vega-Corona A., Andina D., Buendia-Buendia F.S., and Barron-Adame J.M. Cor-
relation Analysis of Environmental Pollutants and Meteorological Variables Ap-
plying Neural Networks. In Soroka A.J. Pham D.T., Eldukhri E.E., editor, 1st
Virtual International Conference on Intel ligent Production Machines and Systems,
volume 1, pages 237 242. Elsevier (Oxford), December 2005.
[36] Investigadores de la UPM desarrollan un sistema que analiza en tiempo real la con-
taminacin atmosfrica., 2009. [en lnea] www.construible.es/noticiasDetalle.
aspx?id=5067&c=1&idm=5&pat=5.
[37] Cmo predecir la contaminacin?., 2009. [en lnea] www.
madridiario.es/2010/Marzo/ciencia-tecnologia/noticias/183459/
predecir-contaminacion-politecnica.html.
[38] Matemticas para salvar el medio ambiente., 2010. [en lnea] http://e-ciencia.
com/blog/divulgacion/matematicas-para-salvar-el-medio-ambiente/.
[39] Denuncian que Salamanca tiene ms contaminacin que DF., 2010. [en lnea]
www.terra.com.mx/noticias/articulo/301583/Denuncian+que+Salamanca+
tiene+mas+contaminacion+que+DF.htm.
[40] Desarrollan un sistema que permite predecir la contaminacin atmosfrica en las
ciudades., 2010. [en lnea] www.consumer.es/web/es/medio_ambiente/2009/10/
26/188824.php.
[41] Predecir la contaminacin, un problema vital para las ciudades., 2019.
[en lnea] http://www.upm.es/institucional/Investigadores/ci.
33cc3a0cc7c64210VgnVCM10000009c7648aRCRD.ext2.
[42] Matemticas para salvar el medio ambiente., 2010. [en lnea] www.
abcuniversidades.com/Tema/146/Matematicas_para_salvar_el_medio_
ambiente.html.
[43] Anlisis de la contaminacin atmosfrica al momento., 2009. [en
lnea] www.agroinformacion.com/noticias/32/Medio%20ambiente/21301/
analisis-de-la-contaminacion-atmosferica-al-momento.aspx.
Ing. Jos Miguel Barrn Adame
174 BIBLIOGRAFA
[44] Predecir la contaminacin, un problema vital para las ciudades.,
2009. [en lnea] www.plataformasinc.es/index.php/esl/Noticias/
Predecir-la-contaminacion-un-problema-vital-para-las-ciudades.
[45] Matemticas para salvar el medio ambiente., 2010. [en lnea] www.
canalclima.com/index.php?option=com_content&view=article&id=
4010:matematicas-para-salvar-el-medio-ambiente&catid=17:
conservacion-fauna-y-flora&Itemid=26.
[46] UNEP. United Nations Environment Programme. Global Environmental Outlook
GEO4. www.unep.org/geo/geo4/report/Acknowledgements.pdf, 2005.
[47] EPA. U.S. Environmental Protection Agency. Air Pollution Control Orientation
Course. Technical report, 2000. www.epa.gov/.
[48] UNDESA. United Nations Department of Economic & Social Af-
fairs. Agenda 21, Chapter 9, Protection of the atmosphere, 2004.
<www.un.org/esa/sustdev/documents/ agenda21/>.
[49] Percy K.E. and Ferretti M. Air pollution and forest health: toward new monitoring
concepts. Environmental Pollution, 130(1):113 126, July 2004.
[50] Vingarzan R. A review of surface ozone background levels and trends. Atmo-
spheric Environment, 38(21):3431 3442, July 2004.
[51] DEP. Department of Environmental Proteccion of New Jersey. Air Monitoring.
<www.state.nj.us/dep/airmon/>, 2005.
[52] SMA. Secretara del Medio Ambiente. Sistema de Monitoreo Atmosfrico de la
Ciudad de Mxico. <www.sma.df.gob.mx/>, 2005.
[53] AMAP. Arctic Monitoring & Assessment Programme. AMAP Assessment Report:
Arctic Pollution Issues. <www.amap.no/>.
[54] MISTRA. Swedish Foundation for Strategic Environmental Research. Inter-
national and National Abatement Strategies for Transboundary Air pollution.
http://asta.ivl.se/.
Universidad Politcnica de Madrid
BIBLIOGRAFA 175
[55] EMEP. European Monitoring & Evaluation Programme. Convention on Long-
range Transboundary Air Pollution. <www.emep.int/>.
[56] OSPAR. Oslo & Paris Commission. Comprehensive Atmospheric Monitoring Pro-
gramme (CAMP). www.ospar.org/>.
[57] PNUMA. Programa de las Naciones Unidas para el Medio Ambiente. Perspectivas
del medio ambiente en Amrica Latina y el Caribe, 2004.
[58] PNUMA. Programa de las Naciones Unidas para el Medio Ambiente. Perspectivas
del medio ambiente en Mxico, 2004.
[59] Roubicek. D.A., Gutirrez-Castillo. M. E., Sordo. M., Cebrin-Garca. M. E., and
Ostrosky-Wegman P. Micronuclei induced by airborne particulate matter from
Mexico City. Mutation Research/Genetic Toxicology and Environmental Mutage-
nesis, 631(1):9 15, 2007.
[60] Michelle L. Bell, Devra L. Davis, Nelson Gouveia, Vctor H. Borja-Aburto, and
Luis A. Cifuentes. The avoidable health eects of air pollution in three Latin
American cities: Santiago, So Paulo, and Mexico City. Environmental Research,
100(3):431 440, 2006.
[61] Cifuentes L.A., Krupnick A.J., ORyan, and Toman M.A. Urban Air Quality and
Human Health in Latin America and the Caribbean. Documentos de Trabajo 212,
Centro de Economa Aplicada, Universidad de Chile, 2005.
[62] INE. Instituto Nacional de Ecologa de la SEMARNAP. Primer Informe sobre la
Calidad del Aire en Ciudades Mexicanas, 1996.
[63] INE. Instituto Nacional de Ecologa de la SEMARNAP. Mexico National Emissions
Inventory, 1999.
[64] SMA. Secretaria del Medio Ambiente, Gobierno del Distrito Federal. La calidad
del aire en la Zona Metropolitana del Valle de Mxico 1986-2006, 2007.
Ing. Jos Miguel Barrn Adame
176 BIBLIOGRAFA
[65] INE. Instituto Nacional de Ecologa, Secretara de Medio Ambiente y Recursos Nat-
urales. Tercer almanaque de datos y tendencias de la calidad del aire en nueve
ciudades mexicanas, 2007.
[66] Ashmore M.R. and Dimitroulopoulou C. Personal exposure of children to air pollu-
tion. Atmospheric Environment, 43(1):128 141, 2009. Atmospheric Environment
- Fifty Years of Endeavour.
[67] INE. Instituto Nacional de Ecologa, Direccin General de Investigacin sobre la
Contaminacin Urbana y Regional. Investigacin sobre Calidad del Aire: Contam-
inantes criterio. <www.ine.gob.mx>, Junio 2008.
[68] Makri A. and Stilianakis N. I. Vulnerability to air pollution health eects. Inter-
national Journal of Hygiene and Environmental Health, 211(3-4):326 336, 2008.
[69] Younger M. and Morrow-Almeida H.R. and Vindigni S. M. and Dannenberg A.
L. The Built Environment, Climate Change, and Health: Opportunities for Co-
Benets. American Journal of Preventive Medicine, 35(5):517, 526 2008.
[70] Segalowitz S. J. Public health, brain health, and the dangers of air pollution for
neural development. Brain and Cognition, 68(2):115 116, 2008.
[71] Kinney P. L. Climate Change, Air Quality, and Human Health. American Journal
of Preventive Medicine, 35(5):459 467, 2008. Theme Issue: Climate Change and
the Health of the Public.
[72] Kappos A. D., Bruckmann P., Eikmann T., Englert N., Heinrich U., Hppe P., Koch
E., Krause G., H.M., Kreyling W. G., Rauchfuss K., Rombout P., Schulz-Klemp V.,
Thiel W. R., and Wichmann H.-Erich. Health eects of particles in ambient air.
International Journal of Hygiene and Environmental Health, 207(4):399 407, 2004.
[73] Yang W. and Omaye S. T. Air pollutants, oxidative stress and human health.
Mutation Research/Genetic Toxicology and Environmental Mutagenesis, In Press,
Corrected Proof:, 2008.
Universidad Politcnica de Madrid
BIBLIOGRAFA 177
[74] Nguyen H. T. and Ki-Hyun K. Evaluation of SO
2
pollution levels between four
dierent types of air quality monitoring stations. Atmospheric Environment,
40(36):7066 7081, 2006.
[75] Fenger J. Air pollution in the last 50 years - From local to global. Atmospher-
ic Environment, 43(1):13 22, 2009. Atmospheric Environment - Fifty Years of
Endeavour.
[76] Yu-Hsiang C., Yi-Lun L., and Chia-Chen L. Levels of PM
10
and PM
2,5
in Taipei
Rapid Transit System. Atmospheric Environment, 42(31):7242 7249, 2008.
[77] WHO. World Health Organizatio. Air Quality Guidelines Global Update 2005.
<www.euro.who.int/Document/E87950.pdf>, 2005.
[78] Lippmann M. and Maynard R. L. Air Quality Guidelines and Standards. In
Stephen T. Holgate, Jonathan M. Samet, Hillel S. Koren, and Robert L. Maynard,
editors, Air Pollution and Health, pages 983 1017. Academic Press, London, 1999.
[79] OMS. Organizacin Mundial de la Salud. Directrices Sobre la Calidad del Aire.
<www.who.int/en/>, 2008.
[80] Hans-Guido M. Air quality management in the WHO European Region Results of
a quality assurance and control programme on air quality monitoring (1994-2004).
Environment International, 34(5):648 653, July 2008.
[81] SMA. Secretaria del Medio Ambiente. Sistema de Monitoreo Atmosfri-
co de la ciudad de Mxico. ndice Metropolitano de la Calidad del Aire.
<http://www.sma.df.gob.mx/simat/>, 2006.
[82] CEINA Centro de Informacin y Capacitacin Ambiental., Secretara del Medio Am-
biente. Norma Ambiental para el Distrito Federal NADF-009-AIRE-2006.
<http://www.sma.df.gob.mx/ceina/>, 2006.
[83] INE. Instituto Nacional de Ecologa. Segundo Informe Sobre la Calidad del Aire
en Ciudades Mexicanas 1997, 1999.
Ing. Jos Miguel Barrn Adame
178 BIBLIOGRAFA
[84] MacDonald C.P., Roberts P.T., Main H.H., Dye T.S., Coe D.L., and Yarbrough J.
The 1996 Paso del Norte Ozone Study: analysis of meteorological and air quality
data that inuence local ozone concentrations. The Science of The Total Environ-
ment, 276(1-3):93 109, 2001.
[85] Pang X., Mu Y., Lee X., Zhang Y., and Xu Z. Inuences of characteristic me-
teorological conditions on atmospheric carbonyls in Beijing, China. Atmospheric
Research, 93(4):913 919, 2009.
[86] Nicols J.F., Yubero E., Pastor C., Crespo J., and Carratal A. Inuence of me-
teorological variability upon aerosol mass size distribution. Atmospheric Research,
94(2):330 337, 2009.
[87] Elminir H.K. Dependence of urban air pollutants on meteorology. Science of The
Total Environment, 350(1-3):225 237, 2005.
[88] Jiang D., Zhang Y., Hu X., Zeng Y., Tan J., and Shao D. Progress in developing an
ANN model for air pollution index forecast. Atmospheric Environment, 38(40):7055
7064, 2004. 8th International Conference on Atmospheric Sciences and Applicat
ions to Air Quality (ASAAQ).
[89] Raimondi P.M., Lo Bue A., and Vitale M.C. A CNN adaptive model to estimate
PM
10
monitoring. ETFA 2005. 10th IEEE Conference on Emerging Technologies &
Factory Automation, 2005., 2:805 810, Sept. 2005.
[90] Wei-Zhen L., Wen-Jian W., Xie-Kang W., Sui-Hang Y., and Lam J.C. Potential
assessment of a neural network model with PCA/RBF approach for forecasting
pollutant trends in Mong Kok urban air, Hong Kong. Environmental Research,
96(1):79 87, 2004.
[91] Gardner M.W. and Dorling S.R. Articial neural networks (the multilayer
perceptron)a review of applications in the atmospheric sciences. Atmospheric
Environment, 32(14-15):2627 2636, 1998.
Universidad Politcnica de Madrid
BIBLIOGRAFA 179
[92] Karatzas K.D. and Kaltsatos S. Air pollution modelling with the aid of computa-
tional intelligence methods in Thessaloniki, Greece. Simulation Model ling Practice
and Theory, 15(10):1310 1319, 2007.
[93] INEGI. National Institute of Geography & Statistics. Population and Housing
Census 2. www.inegi.org.mx, 2005.
[94] INE. Instituto Nacional de Ecologa. Sistema Nacional de Informacin de la Calidad
del Aire. <http://sinaica.ine.gob.mx/>, 2009.
[95] SEMARNAT. Secretaria de Medio Ambiente y Recursos Naturales. Programa para
mejora de la calidad del aire en Salamanca: PROAIRE 2007-2012, 2006.
[96] Vega-Lpez E. Gaceta Ocial del Distrito Federal. rgano de Gobierno del
Distrito Federal, Noviembre 2006.
[97] Aguayo Q. S. El almanaque mexicano 2007 (El espacio ambiental). Editorial
Aguilar, 2007.
[98] IISD. International Institute for Sustainable Development. Measurement and As-
sessment. http://www.iisd.org/measure/, 2008.
[99] IEEE. Institute of Electrical & Electronics Engineers. FUSION 09. 12
th
Interna-
tional Conference on Information Fusion. http://ieeexplore.ieee.org, 2009.
[100] Banerjee P.K. Data fusion in defense and national security: Ubiquitous and indis-
pensable. MWSCAS 07. 50th Midwest Symposium on Circuits and Systems, pages
762-765, 5-8 Aug. 2007.
[101] Zhang Y., Gao J., Jia L., and Cai G. Research on Computer Aided System Design
Method. ICCIT 08. Third International Conference on Convergence and Hybrid
Information Technology, 1:813817, November 2008.
[102] Ciftcioglu O., Bittermann M.S., and Sariyildiz I.S. Sensor Data Fusion in Au-
tonomous Robotics. ICICIC 07. Second International Conference on Innovative
Computing, Information and Control, 2007, pages 2632, 5-7 Sept 2007.
Ing. Jos Miguel Barrn Adame
180 BIBLIOGRAFA
[103] Llinas J. and Hall D.L. An introduction to multi-sensor data fusion. ISCAS
98. Proceedings of the IEEE, International Symposium on Circuits and Systems,
6:537540 vol.6, January 1998.
[104] Varshney P.K. Multisensor data fusion. Electronics and Communication Engi-
neering Journal, 9(6):245253, December 1997.
[105] Dasarathy B.V. Sensor fusion potential exploitation-innovative architectures and
illustrative applications. Proceedings of the IEEE, 85(1):2438, Jan 1997.
[106] Luo, R.C. and Kay, M.G. Multisensor integration and fusion in intelligent systems.
IEEE Transactions on Systems, Man and Cybernetics, 19(5):901931, 1989.
[107] Macii D., Boni A., Cecco M.D., and Petri D. Tutorial 14: Multisensor Data Fusion.
IEEE Instrumentation and Measurement Magazine, 11(3):2433, 2008.
[108] Andersson M. and Ilestrand M. Data fusion of secondary and primary surveillance
radars for increased robustness in air-trac monitoring. European Microwave Con-
ference, pages 17351738, 9-12 October 2007.
[109] Kaempchen N., Buehler M., and Dietmayer K. Feature-level fusion for free-form
object tracking using laserscanner and video. Proceedings of the IEEE. Intel ligent
Vehicles Symposium, pages 453458, June 2005.
[110] Broggi A., Cerri P., Oleari F., and Paterlini M. Guard rail detection using radar
and vision data fusion for vehicle detection algorithm improvement and speed-up.
Proceedings of the IEEE. Intelligent Transportation Systems, 13-15 September.
[111] Blasch E. and Plano S. JDL Level 5 fusion model: user renement issues and
applications in group tracking. SPIE Aerosense, 4729:270279, 2002.
[112] Gad A. and Farooq M. Data fusion architecture for Maritime Surveillance. ISIF
02. Proceedings of the Fifth International Conference on Information Fusion, 1:448
455 vol.1, 2002.
[113] Bedworth M. and OBrien J. The Omnibus model: a new model of data fusion?.
IEEE. Aerospace and Electronic Systems Magazine, 15(4):3036, Apr 2000.
Universidad Politcnica de Madrid
BIBLIOGRAFA 181
[114] Hall D. L. and McMullen S. A. H. Review of Mathematical Techniques in Multi-
sensor Data Fusion. BioMedical Engineering OnLine, 4(23):12, 2005.
[115] Teodorescu R., Racoceanu D., Wee-Kheng L., and Cretu V. Prospective Study for
Semantic Inter-Media Fusion in Content-Based Medical Image Retrieval. Medical
Imaging Technology, 26(1), 2008.
[116] Wald L. Some terms of reference in data fusion. IEEE Transactions on Geoscience
and Remote Sensing, 37(3):11901193, May 1999.
[117] Hall D.L. and Llinas J. Handbook of Multisensor Data Fusion. CRC Press, June
2001.
[118] Shahbazian E., Gagnon L., Duquet J., Macieszczak M., and Valin P. Fusion of
Imaging and Non-Imaging Data for Surveillance Aircraft, 1997.
[119] Garcia J., Molina J. M., Berlanga A., and de Miguel G. Data Fusion Alternatives
For The Integration Of Millimetre Radar In Airport Surveillance Systems. IEEE
International Radar Conference, pages 912, May 2005.
[120] Filippidis A., Jain L. C., and Martin N. Fusion of intelligent agents for the detection
of aircraft in SAR images. IEEE Transactions on Pattern Analysis and Machine
Intelligence, 22(4):378384, Apr 2000.
[121] Suiter J.M. and Lapis M.B. Multispectral Image Fusion For The Small Aircraft
Transportation System. IEEE. The 23rd Digital Avionics Systems Conference,
1(4):4.B.4(1)4.B.4(13), 24-28 October 2004.
[122] Sangil J., Zhijun T., and Ozguner U. Robust Data Alignment Based on Informa-
tion Theory and Its Applications in Road Following Situation. ITSC 06. IEEE
Proceedings of the Intelligent Transportation Systems Conference, pages 13281333,
2006.
[123] Yang Q. and Sun J. A data fusion method applied in an autonomous robot. CCC
08. 27th Chinese Control Conference, pages 361364, July 2008.
Ing. Jos Miguel Barrn Adame
182 BIBLIOGRAFA
[124] Bellotto N. and Hu H. Multisensor Data Fusion for Joint People Tracking and Iden-
tication with a Service Robot. ROBIO 07. Proceedings of the IEEE International
Conference on Robotics and Biomimetics, pages 13941499, 2007.
[125] Cortesao R., Koeppe R., Nunes U., and Hirzinger G. Data Fusion For Robotic As-
sembly Tasks Based On Human Skills. IEEE Transactions on Robotics, 20(6):941
952, December 2004.
[126] Shin Y. H., Ryu K., Kim T. J., Lee J. H., Choi J. Y., Yim C. H., and Kim D. H.
Mechanism and control of a jumping robot. ICCAS 07. International Conference
on Control, Automation and Systems, pages 24992502, Oct. 2007.
[127] Shortlie E. H. and Buchanan B. G. A model Of Inexact Reasoning In Medicine.
Mathematical Bioscience, 23:259275, 1990.
[128] Khan F. S., Maqbool F., Razzaq S., Irfan K., and Zia T. The Role of Medical Expert
Systems in Pakistan. In Proceeding of World Academy Of Science, Engineering And
Technology, volume 27, pages 296298, February 2008.
[129] Widmann G. Image-guided surgery and medical robotics in the cranial area. BIIJ
07. Biomedical Imaging and Intervention Journal, 3(1):19, 2007.
[130] Cepolina F. and Rinaldo C.M. Robots in Medicine: A survey Of In-Body Nursing
Aids Introductory Overview And Concept Design Hints. In ISR 04. Proceeding
of the 35 International Symposium on Robotics Paris, France, volume 27, pages
296298, 23-26 March 2004.
[131] Sall D., Cepolina F., and Bidaud P. Surgery grippers for Minimally Invasive Heart
Surgery. IMG 04. Proceeding of IEEE International Conference on Intel ligent
Manipulation and Grasping, Genova, Italy, 1-2 July 2004.
[132] Andina D., Vega-Corona A., Seijas J.I, and Torres-Garca J. Computational Intel-
ligence for Engineering and Manufacturing, chapter Neural Networks Historical
Review, pages 3966. Springer, 1
st
edition, 2007.
Universidad Politcnica de Madrid
BIBLIOGRAFA 183
[133] Morris R. G. M. D.O. Hebb: The Organization of Behavior, Wiley: New York;
1949. Brain Research Bulletin, 50(5-6):437 437, 1999.
[134] Rochester N., Holland J., Haibt L., and Duda W. Tests on a cell assembly theory
of the action of the brain, using a large digital computer. IRE Transactions on
Information Theory, 2(3):8093, September 1956.
[135] Selfridge O. G. Pandemonium: A paradigm for learning. National Physical Lab-
oratory, 10:513529, 1958 1958.
[136] Rosenblatt F. The perceptron: a probabilistic model for information storage and
organization in the brain. Psychological Review, 65(6):386408, November 1958.
[137] Widrow B. and Lehr M.A. 30 years of adaptive neural networks: perceptron,
Madaline, and backpropagation. Proceedings of the IEEE, 78(9):14151442, Sep
1990.
[138] Kyung H.K., Sung S.K., and Sung J.K. Advantage of support vector machine for
neural spike train decoding under spike sorting errors. IEEE-EMBS 05, 27th An-
nual International Conference of the Engineering in Medicine and Biology Society.,
pages 5280 5283, jan. 2005.
[139] Gomez J., Melgar I., and Seijas J. Upgrading pulse defection with time shift prop-
erties using wavelets and support vector machines. WAC 04, World Automation
Congress, 17:49 54, june - 1 july 2004.
[140] Wan E.A. Temporal backpropagation for FIR neural networks. volume 1, pages
17 21, Jun. 1990.
[141] Ojeda-Magaa B., Ruelas R., Buenda-Buenda F.S., and Andina D. A Greater
Knowledge Extraction Coded as Fuzzy Rules and Based on the Fuzzy and Typicality
Degrees of the GKPFCM Clustering Algorithm. Intelligent Automation and Soft
Computing, 15(4):555 571, 2009.
[142] Kohonen T. The Self Organization Map (SOM). Proceedings of the IEEE,
78(9):14641480, September 1990.
Ing. Jos Miguel Barrn Adame
184 BIBLIOGRAFA
[143] Kohonen T. Self-organizing neural projections. Neural Networks, 19(6-7):723
733, 2006. Advances in Self Organising Maps - WSOM05.
[144] Milano M., Koumoutsakos P., and Schmidhuber J. Self-organizing nets for opti-
mization. IEEE Transactions on Neural Networks, 15(3):758765, May 2004.
[145] Flexer A. On the Use of Self-Organizing Maps for Clustering and Visualization.
In Proceedings of the Third European Conference on Principles of Data Mining and
Knowledge Discovery (PKDD 99), pages 8088, London, UK, 1999. Springer-Verlag.
[146] Cortina-Januchs M. G., Barron-Adame J. M., Vega-Corona A., and Andina D. Pre-
vision of industrial SO
2
pollutant concentration applying ANNs. In INDIN 09.
7th IEEE International Conference on Industrial Informatics, pages 510515, June
2009.
[147] Vega-Corona A., Sanchez-Garcia M., Gonzalez-Romo M., Quintanilla-Dominguez J.,
and Barron-Adame J.M. Contextual and Non-Contextual Features Extraction and
a Selection Method for Microcalcications Detection. WAC 06, World Automation
Congress., pages 1 6, july 2006.
[148] Khoa N.L.D., Sakakibara K., and Nishikawa I. Stock Price Forecasting using
Back Propagation Neural Networks with Time and Prot Based Adjusted Weight
Factors. pages 5484 5488, oct. 2006.
[149] Marzi H. Modular Neural Network Architecture for Precise Condition Monitoring.
Instrumentation and Measurement, IEEE Transactions on, 57(4):805 812, april
2008.
[150] El-Bakry H.M. Fast cooperative modular neural nets for human face detection.
volume 1, pages 1002 1005 vol.1, 2001.
[151] Jianwu D., Yangping W., and Shuxu Z. Face Recognition Based on Radial Basis
Function Neural Networks using Subtractive Clustering Algorithm. volume 2, pages
10294 10297, 0-0 2006.
Universidad Politcnica de Madrid
BIBLIOGRAFA 185
[152] Shukla A., Tiwari R., Kaur P., and Janghel R.R. Diagnosis of Thyroid Disorders
using Articial Neural Networks. pages 1016 1020, march 2009.
[153] Christodoulou C.I., Michaelides S.C., Pattichis C.S., and Kyriakou K. Classica-
tion of satellite cloud imagery based on multi-feature texture analysis and neural
networks. volume 1, pages 497 500 vol.1, 2001.
[154] Marinai S., Gori M., and Soda G. Articial neural networks for document analysis
and recognition. Pattern Analysis and Machine Intel ligence, IEEE Transactions
on, 27(1):23 35, jan. 2005.
[155] Villela P.R. and Sossa Azuela J.H. Object recognition by indexing using neural
networks. volume 2, pages 1001 1004 vol.2, 2000.
[156] Daqi Z. and Wu R. A Multi-layer Quantum Neural Networks Recognition System
for Handwritten Digital Recognition. volume 1, pages 718 722, aug. 2007.
[157] Vesanto J. and Alhoniemi E. Clustering of the self-organizing map. Neural Net-
works, IEEE Transactions on, 11(3):586 600, may 2000.
[158] Gaychuk V. V., Datsko B. Yo., and Izmaylova J. Analysis of data clusters obtained
by self-organizing methods. Physica A: Statistical Mechanics and its Applications,
341:547 555, 2004.
[159] Nikkil J., Trnen P., Kaski S., Venna J., Castrn E., and Wong G. Analysis and
visualization of gene expression data using Self-Organizing Maps. Neural Networks,
15(8-9):953 966, 2002.
[160] Dino Isa, V.P. Kallimani, and Lam Hong Lee. Using the self organizing map for
clustering of text documents. Expert Systems with Applications, 36(5):9584 9591,
2009.
[161] Lagus K., Kaski S., and Kohonen T. Mining massive document collections by
the WEBSOM method. Information Sciences, 163(1-3):135 156, 2004. Soft
Computing Data Mining.
Ing. Jos Miguel Barrn Adame
186 BIBLIOGRAFA
[162] Somervuo P.J. Online algorithm for the self-organizing map of symbol strings.
Neural Networks, 17(8-9):1231 1239, 2004. New Developments in Self-Organizing
Systems.
[163] Guy Amit, Noam Gavriely, and Nathan Intrator. Cluster analysis and classication
of heart sounds. Biomedical Signal Processing and Control, 4(1):26 36, 2009.
[164] Markey M.K., Lo J.Y., Tourassi G.D., and Floyd C.E. Self-organizing map for
cluster analysis of a breast cancer database. Articial Intel ligence in Medicine,
27(2):113 127, 2003.
[165] Moshou D., Hostens I., Papaioannou G., and Ramon H. Dynamic muscle fatigue
detection using self-organizing maps. Applied Soft Computing, 5(4):391 398, 2005.
[166] Richardson A.J., Risien C., and Shillington F.A. Using self-organizing maps to
identify patterns in satellite imagery. Progress In Oceanography, 59(2-3):223 239,
2003. ENVIFISH: Investigating environmental causes of pelagic sheries variability
in the SE Atlantic.
[167] Matsumoto H., Masumoto R., and Kuroda C. Feature extraction of time-series
process images in an aerated agitation vessel using self organizing map. Neurocom-
puting, 73(1-3):60 70, 2009. Timely Developments in Applied Neural Computing
(EANN 2007) / Some Novel Analysis and Learning Methods for Neural Networks
(ISNN 2008) / Pattern Recognition in Graphical Domains.
[168] Penn B.S. Using self-organizing maps to visualize high-dimensional data. Com-
puters & Geosciences, 31(5):531 544, 2005.
[169] Dzemyda G. Visual Analysis of the Multidimensional Meteorological Data. In
International Conference on Computational Science, pages 652656, 2004.
[170] Yudong C., Yi Z., and Jianming H. Multi-Dimensional Trac Flow Time Series
Analysis with Self-Organizing Maps. Tsinghua Science & Technology, 13(2):220
228, 2008.
Universidad Politcnica de Madrid
BIBLIOGRAFA 187
[171] United States Environmental Protection Agency. Risk Assessment for Toxic Air Pol-
lutants: A Citizens Guide- EPA 450/3-90-024. Air Risk Information Support Center
(MD-13), http://www.epa.gov/oar/oaqps/air_risc/3_90_024.html, Research Tri-
angle Park, NC 27711, March 1991.
[172] Andina D. and Vega-Corona A. Detection of microcalcications in mammograms
by the combination of a neural detector and multiscale feature enhancement. Bio-
Inspired Applications of Connectionism. Springer-Verlag, LNCS 2085, 2085:385
392, 2001.
[173] andina D. and Vega-Corona A. Detetion of Microcalcications in Mamograms
by the Combinationof theNeural detector and Multiscale Feature Enhancement.
Bi-Inspired Aplications of Connectionism, June 2001. Lectures Notes in computer
Sciencie. Springer-Verlag,2(2085):385-392. ISBN 3-540-40211-X, ISSN 0302-9743.
[174] Predecir la contaminacin, un problema vital para las ciudades, de UEMC,
amigos., 2009. [en lnea] http://es-la.facebook.com/note.php\?note_id=
187852965249.
[175] Domnguez C. Salamanca es la ciudad con menor calidad de aire a nivel nacional
[nota electronica]. [fecha de publicacin] 25 de Mayo de 2007, [fecha de consulta]
20 de Julio de 2010. [en lnea] <http://www.correo-gto.com.mx/notas.asp?id=
26543>.
[176] Predecir la contaminacin, un problema vital para las ciudades., 2009.
[en lnea] http://www.madrimasd.org/informacionidi/noticias/noticia.asp?
id=41160.
[177] Salamanca, la ms contaminada del pas; hay contingencia ambiental todo el ao;
culpan a Pemex, CFE y la empresa Tech Chemical., 2007. [en lnea] http://www.
cronica.com.mx/nota.php?id_nota=302738.
[178] Es posible evitar la contaminacin?., 2009. [en lnea] http://www.universia.es/
portada/actualidad/noticia_actualidad.jsp?noticia=102983.
Ing. Jos Miguel Barrn Adame