Proyecto Final Modelizacion

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA
FACULTAD DE RECURSOS NATURALES RENOVABLES

DEPARTAMENTO ACADMICO DE CIENCIAS AMBIENTALES
MODELAMIENTO DEL MATERIAL PARTICULADO Y POLUCION DE LAS

ZONAS URBANAS DE LA CIUDAD DE TINGO MARIA
DOCENTE : Ing. Luis Eduardo Or Cierto
CURSO : MODELIZACION AMBIENTAL
INTEGRANTES :
ALVAREZ AROSTEGUI, Annghy
BARRUETA PAUCAR; Mayori
CRISTANCHO ARIZA; Krystell
FERNNDEZ ESCOBAR; Angie
MARTIN CALIXTO; Abdiel
ORTEGA CUTIPA, Oscar
OSORIO PEDRAZA; Erick
ROMERO USHUAHUA, Patricia
VARGAS ARATA, Bryan
CICLO : 2016 II
TINGO MARIA PERU

2016
2
MODELIZACION AMBIENTAL 2016 -I
I. INTRODUCCION
La contaminacin atmosfrica es una problemtica a la que cada

vez se le atribuyen ms efectos sobre la salud y el medio ambiente; por esta
razn surge la necesidad de estudiar el comportamiento de las partculas desde
el momento en que salen de la fuente de emisin, y su recorrido en la atmsfera.
Los efectos ocasionados por exposicin a altas concentraciones de material
particulado se pueden observar en episodios agudos y crnicos de
contaminacin, entre ellos, el incremento de enfermedades cardiovasculares y
cncer de pulmn.
A nivel ambiental, se presenta deterioro de los ecosistemas,

reduccin de la visibilidad en la zona de trabajo (Wheeler et al., 2000; NIOSH,
2005), tales como sedimentacin de material particulado sobre el suelo y
detrimento de la calidad de aguas superficiales, por lo que las afecciones
generadas por el material particulado son cada vez ms crticas y se han
diversificado en cuanto a los efectos que puede llegar a generar sobre la salud
humana.
Por ello, los modelos matemticos de calidad del aire son

herramientas matemticas importantes destinadas a simular los procesos fsicos
y qumicos que afectan a los contaminantes cuando se dispersan o reaccionan
en la atmsfera. Se basan en datos meteorolgicos, topogrficos, tasas de
emisin de los contaminantes desde su origen y las caractersticas fsicas de la
fuente.
Los modelos de dispersin tienen como objetivo fundamental

caracterizar el movimiento de los contaminantes atmosfricos primarios, que
una vez emitidos ingresan directamente a la atmsfera y en algunos casos,
contaminantes secundarios que se forman como resultado de reacciones
3
complejas. Otro punto de importancia de los modelos matemticos para la

gestin de la calidad del aire, es que en base a estos se puede definir cmo
contribuye una determinada fuente a los problemas de calidad del aire, para
establecer un diseo efectivo de estrategias que permitan reducir sus emisiones
contaminantes.
En resumen, los modelos de dispersin son una poderosa

herramienta para la gestin de la calidad del aire, dado que permiten evaluar el
impacto de la operacin de fuentes fijas individuales o mltiples.
Con los crecientes problemas de contaminacin y el nfasis dado a

las normas de calidad del aire a partir de la dcada de 1970 en Estados Unidos
y Europa y durante los ltimos 10 aos en los pases en vas de desarrollo, los
modelos de dispersin estn siendo extensamente usados en evaluaciones de
impacto ambiental, as como para apoyar el establecimiento de requisitos
especficos a las emisiones (Arregui, 2007).
Por tales motivos, en el presente informe se evaluarn las emisiones

producidas por las diversas actividades en la ciudad de Tingo Mara en los
meses de abril a julio y se popondr un modelo matemtico para su anlisis.
4
1.1. Objetivo General

- Proponer un modelo adecuado para identificar y evaluar la
dispersin del material particulado y polucin de las zonas urbanas de la ciudad
de Tingo Mara.
1.1.1. Objetivos Especficos
- Disear un modelo a travs del uso de redes neuronales para
evaluar la dispersin del material particulado y polucin de las zonas urbanas
de la ciudad de Tingo Mara.
- Disear un modelo a travs del uso del modelo de Pearson para
evaluar la dispersin del material particulado y polucin de las zonas urbanas
de la ciudad de Tingo Mara.
- Comparar ambos modelos e identificar el adecuado
- Identificar zonas urbanas de Tingo Mara con mayor presencia del
material particulado y polucin.
5
II. REVISION DE LITERATURA

2.1. Redes neuronales
2.1.1. Redes neuronales biolgicas
El cerebro consiste en varios billones de neuronas densamente
interconectadas (El nmero estimado de neuronas es de 1011 y las
interconexiones entre ellas son del orden de 1015). El axn (salida) de la
neurona se ramifica y est conectada a las dendritas (entradas) de otras
neuronas a travs de uniones llamadas sinapsis. Cada neurona tiene
propiedades particulares y especiales para recibir, procesar y transmitir seales
electroqumicas a travs de todas las interconexiones del sistema de
comunicacin del cerebro. Las diferentes configuraciones y algoritmos que se
disean para las redes neuronales artificiales estn inspiradas en la
organizacin del complejo sistema neuronal del cerebro humano (BASOGAIN,
1998).
Las neuronas constituyen procesadores de informacin sencillos y
estn formadas por tres componentes principales: dendritas, el cuerpo de la
clula y el axn. Las dendritas son como un rbol de redes de fibras nerviosas
que llevan seales elctricas al cuerpo de la clula (canal de entrada de
informacin). El cuerpo celular, contiene el ncleo que es donde se ejecutan
todas las transformaciones necesarias para la vida de la neurona (rgano de
cmputo). El axn transmite la seal de salida a otras neuronas (canal de
salida), el intercambio qumico de informacin entre una neurona y otra se hace
a travs de la sinapsis, la cual es el punto de interconexin entre neuronas. En
la figura 1, se muestra la estructura de un par de neuronas biolgicas, del cuerpo
de la neurona se extienden las dendritas hacia otras neuronas donde reciben
las seales transmitidas por otras neuronas. El punto de contacto o de conexin
6
se llama sinapsis y estas entradas son dirigidas al ncleo donde se procesan

(CORTINA, 2012).
Figura 1. Partes de una neurona biolgica.
2.1.2. Redes neuronales artificiales

Se puede decir que una neurona artificial es un elemento de
procesamiento inteligente de la informacin, que puede aprender y puede
producir la salida en respuesta a sus entradas. Como resultado de proceso de
aprendizaje, la neurona forma un conjunto de pesos correspondiente a sus
entradas, luego ponderando la suma de las entradas y la transformacin de la
suma ponderada de las seales de entrada utilizando una funcin de activacin
(transferencia) se produce la salida. El primer modelo de neurona artificial fue
propuesto por W. McCulloch y W. Pitts en 1943. Ellos Intentaron crear un modelo
matemtico del procesamiento de la informacin neuronal como se consideraba
en ese momento. Una opinin comn era que una neurona recibe algunas
seales de entrada que puede ser excitatorio ("1") o inhibitorias
("-1"), calcula la suma ponderada de entradas

(donde , , son los pesos asignados a cada entrada) y luego produce la salida
excitatoria ("1") si la suma ponderada de entradas supera algunos valores
7
umbrales predeterminados y la salida inhibitoria ("-1") si no lo hace

(AIZENBERG, 2011).
Figura 2. Partes de una neurona artificial
Las operaciones matemticas que se realizan en una neurona

artificial se pueden describir con ayuda de la figura 2, de la manera siguiente
(AIZENBERG, 2011):
Donde p es una funcin no lineal conocida como funcin de

activacin. Normalmente se asocia el umbral a la salida mediante una entrada
(que vale -1) y un peso adicional asociado x0=1. Es decir:
El modelo descrito es el ms usual, sin embargo, aparecen otros

modelos que no realizan un promedio de las entradas directamente sino que,
antes de multiplicar por los pesos se plantea una transformacin de dichas
entradas. Asi se tiene:
8
2.2. Modelo en redes neuronales
En todo modelo artificial de neurona se tiene cuatro elementos

bsicos (SORIA et al., 2009):
a) Un conjunto de conexiones, pesos o sinapsis que determinan el
comportamiento de la neurona.
b) Un sumador que se encarga de sumar todas las entradas
multiplicadas por las respectivas sinapsis.
c) Una funcin de activacin no lineal para limitar la amplitud de la
salida de la neurona.
d) Un umbral por encima del cual la neurona se activa.
2.3. Funciones de activacin para las redes neuronales
Existen distintos tipos de redes neuronales que usan diferentes

funciones de activacin, pero la estructura interna de la neurona, es decir la
suma ponderada seguida por la funcin, es comn en la mayora de las redes.
Entre las funciones de activacin ms usadas y conocidas se encuentran las
siguientes (GAMARRA, 2004).
a) Funcin de umbral
La cual tiene una salida binaria [0,1], y est definida por la siguiente
condicin:
9
b) Funcin Sigmoidal
Su caracterstica ms importante es el de acortar la amplitud de la
salida a un nmero comprendido entre 0 y 1.
c) Funcin hiperblica
La salida de esta funcin est comprendida entre -1 y 1.
d) Funcin lineal
En el cual la salida de la funcin es igual a la entrada.
Figura 3. Funciones de activacin ms utilizadas
2.4. Arquitecturas neuronales
Los elementos bsicos se pueden conectar entre s para dar lugar

a las estructuras neuronales o modelos conexionistas que podramos clasificar
de diferentes formas segn el criterio usado, as se tendra (SORIA et al., 2009):
10
2.4.1. Segn el nmero de capas

a) Redes neuronales monocapas
Es la red neuronal ms sencilla ya que 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.
Figura 4. Esquema de una red neuronal monocapa.
b) Redes neuronales multicapa.

Es una generalizacin de la anterior existiendo un conjunto de capas
intermedias entre la entrada y la salida (capas ocultas).
Figura 5. Esquema de una red neuronal multicapa.

11
Se ha demostrado que las redes multicapa presentan cualidades y

aspectos por encima de las redes de una capa simple, debido a sus altas
complejas conexiones entre capas y pesos (SORIA et al., 2009).
2.4.2. Segn el tipo de conexiones

a) Redes neuronales no recurrentes.
En esta red la propagacin de las seales se produce en un sentido
solamente, no existiendo la posibilidad de realimentaciones.
b) 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 neurona.
Esta estructura recurrente la hace especialmente adecuada para estudiar la
dinmica de sistemas no lineales. La figura 6, representa el esquema de una
red recurrente.
Figura 6. Esquema de una red neuronal recurrente.
2.5. Mtodos de aprendizaje de las redes neuronales artificiales

12
En una red neuronal es necesario definir un procedimiento por el

cual las conexiones del dispositivo varen para proporcionar la salida deseada
(algoritmo de aprendizaje). Los mtodos de aprendizaje se pueden dividir en las
siguientes categoras (SORIA et al., 2009):
a) Aprendizaje no supervisado
En los algoritmos no supervisados no se conoce la seal que debe
dar la red neuronal (seal deseada). La red en este caso se organiza ella misma
agrupando, segn sus caractersticas, las diferentes seales de entrada. Estos
sistemas proporcionan un mtodo de clasificacin de las diferentes entradas
mediante tcnicas de agrupamiento o clustering.
b) Aprendizaje supervisado
Presenta a la red las salidas que debe proporcionar ante las seales
que se le presentan. Se observa la salida de la red y se determina la diferencia entre
sta y la seal deseada. Posteriormente, los pesos de la red son modificados de
acuerdo con el error cometido. Este aprendizaje admite dos variantes: aprendizaje
por refuerzo o aprendizaje por correccin. En el aprendizaje por refuerzo slo
conocemos si la salida de la red se corresponde o no con la seal deseada, es
decir, nuestra informacin es de tipo booleana (verdadero o falso). En el aprendizaje
por correccin conocemos la magnitud del error y sta determina la magnitud en el
cambio de los pesos.
Figura 7. Tipos de aprendizaje para las redes neuronales.

13
2.6. Sistema con una neurona

2.6.1. Perceptrn
Conocida tambin como mapeo de patrones (pattern-mapping),
aprende a clasificar modelos mediante un aprendizaje supervisado. Los
modelos que clasifica suelen ser generalmente vectores con valores binarios
(0,1) y las categoras de la clasificacin se expresan mediante vectores binarios.
El perceptrn presenta dos capas de unidades procesadoras (PE) y slo una de
ellas presenta la capacidad de adaptar o modificar los pesos de las conexiones.
La arquitectura del Perceptrn admite capas adicionales pero stas no disponen
la capacidad de modificar sus propias conexiones (BASOGAIN, 1998).
Esta estructura neuronal es la ms sencilla y la que, desde un punto
de vista histrico, apareci primero. El funcionamiento del perceptrn es muy
sencillo, se basa en comparar la salida del sistema con una seal deseada (que
es la que debera dar el sistema). De la estructura, ms concretamente de la
funcin de activacin, se deduce que este elemento es un clasificador binario ya
que puede determinar la pertenencia por parte del vector de entrada a dos
clases. Esta estructura tiene el siguiente esquema (SORIA et al., 2009):
Figura 8. Esquema de un Perceptrn.

14
El procedimiento de aprendizaje comienza por la inicializacin

aleatoria de los pesos, para, posteriormente, irlos ajustando conforme la red se
equivoca en la asignacin de clase al vector de entrada presente en ese
momento. El proceso de aprendizaje completo del perceptrn es relativamente
fcil, si lo comparamos con los algoritmos de aprendizaje de las redes ms
modernas, dicho proceso se muestra a continuacin (SORIA et al., 2009):
1. Inicializacin de los pesos.
2. Determinacin de la salida:
3. Comparacin con el umbral:
4. Aplicacin de la funcin de activacin
5. Comparacin con la seal deseada.

6. Actualizacin de los coeficientes si existe error.
Donde es el peso corregido; , es el peso antes de corregir;

, es el factor de aprendizaje; , es la diferencia entre la salida deseada d y la
salida obtenida de la red y , es la entrada a la red.
Este elemento neuronal, a pesar de su extremada sencillez, ha sido
estudiado con profundidad y de l se pueden extraer una serie de interesantes
conclusiones.
15
2.7. Sistema con varias neuronas

2.7.1. El perceptrn multicapa
El perceptrn multicapa, es una red formada por una capa de
entrada, al menos una capa oculta y una capa de salida. Las cuatro
caractersticas de esta arquitectura son las siguientes (SORIA et al., 2009):
a) Se trata de una estructura altamente no lineal.
b) Presenta tolerancia a fallos.
c) El sistema es capaz de establecer una relacin entre dos
conjuntos de datos.
d) Existe la posibilidad de realizar una implementacin en el
hardware.
La propagacin se realiza de manera que cada neurona hace una
combinacin lineal de las seales procedentes de las neuronas de la capa
anterior siendo los coeficientes de esta combinacin los pesos sinpticos, a
continuacin aplica una funcin de activacin. Estas neuronas se conocen como
neuronas no lineales y aseguran la alta no linealidad en el perceptrn multicapa.
Figura 9. Esquema de un perceptrn multicapa.

16
Entonces si la suma de cada elemento de la matriz fila por cada

elemento de la matriz columna fuera n1 i, esta se operaria de la siguiente
manera:
Dando como resultado una matriz nueva formado por elementos

que posteriormente sern transformados por una funcin no lineal.
Esta nueva matriz fila es convertida por la funcin de activacin, la

cual resultara en otra matriz como se muestra:
Dicha matriz conforma lo que es el nuevo vector de ingreso a la

siguiente capa, en el cual con los pesos correspondientes dar una nueva
matriz.
17
Este proceso se repite hasta llegar a la capa final de salida, de la

figura 9, se desprende que es una estructura formada por nodos o neuronas que
propagan la seal hacia la salida.
2.7.2. Algoritmo de aprendizaje backpropagation

El algoritmo de aprendizaje backpropagation es un algoritmo de
descenso por gradiente que retropropaga las seales desde la capa de salida
hasta la capa de entrada optimizando los valores de los pesos sinpticos
mediante un proceso iterativo que se basa en la minimizacin de la funcin de
coste. Por ello, puede dividirse el algoritmo en dos fases (SORIA et al., 2009):
1. Propagacin hacia delante: se propagan las seales desde la
capa de entrada hasta la de salida, determinndose la salida de la red y el error
cometido al comparar sta con el valor de la salida deseada que se le facilita a
la red durante la etapa de aprendizaje.
2. Propagacin hacia atrs: En funcin de los errores cometidos en
la capa de salida, el algoritmo se encarga de optimizar los valores de los pesos
sinpticos que determinan las conexiones entre las neuronas mediante la
retropropagacin del error desde la capa de salida a la de entrada a travs de
las sucesivas capas ocultas. Para la descripcin de este algoritmo se tiene en
cuenta el esquema de una neurona y el error como la diferencia existente entre
la salida deseada y la salida observada. Se obtendr el algoritmo para el caso
ms sencillo de una red formada por una capa de entrada, una capa oculta y
una de salida. La conexin entre una neurona oculta y una de salida puede
observarse en la figura 10.
18
Figura 10. Esquema de la retropropagacin en una red de dos capas.
En lo sucesivo {x1, ...., xnj} sern las entradas a la red, es decir, que
formarn la capa de entrada y constituirn las entradas a las neuronas de la
capa oculta mientras que xo es la entrada que, dependiendo de que su valor sea
+1 o -1, se denomina bias o umbral. Por otra parte {wm1,..., wmn} sern los pesos
sinpticos que conectan las entradas con la neurona oculta m y W mo es el sesgo
(peso sinptico correspondiente a xo):
En la expresin anterior el ndice m denota a la neurona y el ndice

t indica el nmero de iteracin. Si se denota por la funcin de activacin, la salida
de la neurona viene dada por la siguiente expresin:
El conjunto {ym} que tiene tantos elementos como neuronas ocultas,

definir las salidas de las neuronas de la capa oculta y por tanto, se
corresponder con las entradas a las neuronas de la capa de salida. Los pesos
sinpticos que conectan las entradas {ym} con la neurona p los denotaremos por
{hp1,..., hps} donde p denota a la neurona y s el nmero de neuronas ocultas,
ahora el sesgo viene definido por hpo:
19
Si es la funcin de activacin, la salida de la neurona de salida

ser:
Denotando por dp el valor de la salida deseada, el error a la salida

de la red queda definido por:
Existen diferentes algoritmos de aprendizaje que optimizan las

conexiones entre las neuronas segn el error que est cometiendo la red,
entendiendo por error la diferencia que existe entre la salida ofrecida por la red
y la salida deseada. Los ms utilizados son los algoritmos por descenso de
gradiente que se basan en la minimizacin o maximizacin de una determinada
funcin. Lo ms habitual es minimizar alguna funcin montona creciente del
error, como por ejemplo el valor absoluto del error o el error cuadrtico medio,
esta funcin a minimizar se denomina funcin de coste.
La funcin de coste ms usada es la cuadrtica:
El proceso iterativo que actualiza los pesos sinpticos para llevarlos

a su valor ptimo es siguiendo la regla delta:
Siendo el peso sinptico que desea actualizarse y la constante de

adaptacin que mide la velocidad de aprendizaje de la red. En el proceso de
retropropagacin, los primeros pesos en actualizarse son los de la capa de
salida. La derivada parcial de la funcin de coste respecto a estos pesos
sinpticos puede expresarse teniendo en cuenta la regla de la cadena del
siguiente modo:
20
La primera derivada depende de la funcin de coste que se haya

escogido, por ejemplo para la funcin cuadrtica que es la ms habitual, el
resultado ser igual a 2* . Por otra parte, la segunda de las derivadas es trivial,
el resultado es -1. La tercera derivada depende de la funcin de activacin que
se utilice derivando la ecuacin nos quedara:
Por ltimo, la derivada 4 dara como resultado:
Es decir, que la actualizacin iterativa de los pesos de la capa de

salida viene dada por la ecuacin que resulta de reemplazar la expresin de la
regla Delta:
Que para el caso del sesgo se particulariza del siguiente modo en

el caso de que se utilice como entrada yo=+1:
Siguiendo con la retropropagacin, se actualizan los pesos

sinpticos de las neuronas de la capa oculta. La derivada parcial de la funcin
de coste respecto a estos pesos se puede expresar mediante la regla de la
cadena por:
Realizando las correspondientes derivadas se tiene que la

actualizacin de los pesos descrita en esta ecuacin sera equivalente a la
siguiente:
Que se particulariza para el caso del sesgo de modo anlogo a lo

que suceda con las neuronas de la capa de salida. En el caso de que se tenga
21
ms de una capa oculta el proceso es exactamente el mismo, se ha de seguir

la retropropagacin atravesando todas las capas hasta llegar a la de entrada,
de manera que cada una de estas capas ocultas aadir el correspondiente
factor al algoritmo de actualizacin de los pesos. De las ecuaciones anteriores,
se tiene que la actualizacin de los pesos depende de la seal de error . Esta
seal de error tiene un tratamiento distinto dependiendo de la capa a la que
pertenezcan las neuronas, es decir, que estn situadas en la capa de salida o
en la capa oculta ya que mientras para las neuronas de la capa de salida esta
funcin de error se puede obtener directamente: hay que hallar la diferencia
entre la salida deseada y la observada por la red (SORIA et al., 2009).
2.8. Aplicaciones de las redes neuronales
Las redes neuronales son una tecnologa computacional emergente

que puede utilizarse en un gran nmero y variedad de aplicaciones, tanto
comerciales como militares. Se pueden desarrollar redes neuronales en un
perodo de tiempo razonable y pueden realizar tareas concretas mejor que otras
tecnologas convencionales, incluyendo los sistemas expertos. Hay muchos
tipos diferentes de redes neuronales, cada uno de los cuales tiene una
aplicacin particular ms apropiada. A continuacin se mencionan algunas
aplicaciones en grupos, segn las distintas disciplinas (GAMARRA, 2004):
- Empresa
Evaluacin de probabilidad de formaciones geolgicas y
petrolferas.
Identificacin de candidatos para posiciones especficas.
Explotacin de bases de datos.
Optimizacin de plazas y horarios en lneas de vuelo.
Reconocimiento de caracteres escritos.
Medio ambiente
Analizar tendencias y patrones.
Previsin del tiempo.
- Finanzas
22
Previsin de la evolucin de los precios.

Valoracin del riesgo de los crditos.
Identificacin de falsificaciones.
Interpretacin de firmas.
- Manufacturacin
Robots automatizados y sistemas de control (visin artificial y
sensores de presin, temperatura, gas, etc.)
Control de produccin en lneas de proceso.
Inspeccin de la calidad.
- Medicina
Analizadores del habla para la ayuda de audicin de sordos
profundos.
Diagnstico y tratamiento a partir de sntomas y/o de datos
analticos (electrocardiograma, encefalograma, anlisis sanguneo, etc.).
Prediccin de reacciones adversas a los medicamentos.
Lectores de rayos X.
Entendimiento de la causa de los ataques epilpticos.
2.9. Contaminacin del aire

2.9.1. Definicin
Es la presencia en la atmsfera de sustancias resultantes de la
actividad humana o de procesos naturales en concentraciones suficientes
durante un determinado tiempo y en circunstancias tales como para afectar el
ambiente. Esta contaminacin supone un problema de salud ambiental grave
que afecta a pases desarrollados y en vas de desarrollo de todo el mundo. En
una escala global, se emiten a la atmsfera grandes cantidades de gases y
partculas potencialmente nocivas, lo cual afecta el ambiente y, por ende, la
salud humana (BRIGNOLE, 2008).
Es la presencia de material indeseable en el aire, en cantidades
bastantes grandes como para producir efectos nocivos. Esta definicin no
23
restringe la contaminacin del aire a causas humanas. Los materiales

indeseables pueden daar la salud humana, la vegetacin, los bienes humanos,
el medio ambiente global, as como crear ofensas estticas en la forma de aire
de color caf o brumoso, o bien olores desagradables, se sabe que los
contaminantes pueden hacer todas estas cosas. Muchos de estos materiales
entran a la atmosfera provenientes de fuentes que en la actualidad se
encuentran ms all del control humano. Sin embargo, en las partes ms
densamente pobladas del globo, en particular en los pases industrializados, las
fuentes principales de estos contaminantes son actividades humanas (DE
NEVER, 1998). Asimismo el viento, la lluvia, la luz solar y las variaciones de la
temperatura controlan, conjuntamente, el transporte y la duracin de los agentes
contaminantes en todo el mundo (CORTINA, 2012).
2.9.2. Fuentes de contaminacin del aire

Las fuentes de las diferentes emisiones de contaminantes del aire
se pueden dividir en (OMS, 2004):
Fuentes puntuales
Se consideran a las grandes zonas industriales.
Fuentes mviles
Causados por los vehculos automotores.
Fuentes de rea
Como las emisiones domsticas, emisiones de industrias ligeras y
reas comerciales.
Fuentes biognicas o naturales
Causadas por acontecimientos naturales.
24
Figura 11. Contaminacin del aire causada por el parque automotor.
2.9.3. Clasificacin de los contaminantes del aire

Los contaminantes del aire se pueden clasificar de acuerdo con su
origen, composicin qumica o estado de agregacin molecular. Con el propsito
de facilitar el estudio de los parmetros para medir la contaminacin del aire, es
aceptada la siguiente clasificacin (ARELLANO, 2002):
Contaminantes del aire primarios

xidos de azufre (SO2)
xidos de nitrgeno (NO2)
Hidrocarburos (HC)
Monxido de carbono (CO)
Dixido de carbono(CO2)
Contaminantes del aire secundarios

Ozono troposfrico (O3)
25
Figura 12. Emisin de diferentes contaminantes al aire causada por fuentes

puntuales.
2.10. Material particulado
El material particulado ambiente est compuesto por una mezcla

heterognea de partculas de diferentes tamaos y composicin qumica. Las
partculas difieren de acuerdo con sus fuentes de emisin, formas, tamaos,
mecanismos de formacin y composicin qumica y pueden caracterizarse por
sus propiedades fsicas y qumicas.
Mientras las propiedades fsicas tienen efecto sobre el transporte y
el depsito de las partculas en el sistema respiratorio humano, la composicin
qumica de las partculas determina el impacto de stas sobre la salud. Existe
un amplio rango de fuentes de emisin naturales y antropognicas que
contribuyen a las concentraciones de material particulado en la atmsfera.
Algunas de ellas, son el polvo de la superficie que es resuspendido por el viento,
los aerosoles marinos y biognicos, el transporte automotor, aviones, barcos,
trenes, la maquinaria agropecuaria, las actividades vinculadas con la
construccin, los procesos de combustin en fuentes estacionarias, las
industrias. Las partculas emitidas directamente a la atmsfera desde las fuentes
de emisin son denominadas partculas primarias y las que se forman en la
26
atmsfera a partir de precursores gaseosos (por condensacin o coagulacin)

constituyen las partculas secundarias. Existe un gran de nmero de
componentes particulados primarios y secundarios, lo que determina que la
qumica del material particulado es un problema complejo.
2.10.1. Contaminacin por material particulado

Una clara evidencia de que la contaminacin del aire por material
particulado est asociada con la ocurrencia de impactos adversos en la salud
humana puede encontrarse en la gran cantidad de resultados de estudios
epidemiolgicos realizados.
Diversas mediciones de material particulado (material particulado
total en suspensin, PM10 y PM2.5) realizadas en varios centros urbanos en
diferentes partes del mundo revelaron que el nivel de gravedad de los
desrdenes en la salud est directamente relacionado con la concentracin de
partculas en el aire ambiente. Si se considera el 33% de las ciudades existentes
en el mundo, el nmero de muertes anuales resultantes de la contaminacin del
aire est estimado en ms de 2.7 millones (WHO, 2000). Aproximadamente
1400millones de residentes urbanos, principalmente en los pases en desarrollo,
pueden estar expuestos a niveles de concentraciones de material particulado
del aire cercanos o superiores a los valores lmites aceptables (ALA, 1998,
Gamble, 1998, AEAT, 1999).
2.10.2. Efectos dainos del material particulado

El material particulado en suspensin es considerado como uno de
los contaminantes del aire ms importantes en trminos de sus posibles efectos
sobre la salud de las personas. Estudios epidemiolgicos evidencian la
existencia de asociaciones significativas entre el nivel de la concentracin de
material particulado en el aire e impactos adversos en la salud (WHO, 2000).
Las partculas ms finas son generalmente las que ms contribuyen a estos
efectos adversos, debido a su capacidad de ingresar ms profundamente en los
pulmones, alojndose all y daando los tejidos involucrados en el intercambio
de gases. Mientras que los efectos del material particulado varan
considerablemente dependiendo de su composicin y distribucin de tamaos,
27
generalmente, la exposicin al material particulado inhalable puede causar un

aumento en la mortalidad de origen cardaco y respiratorio, una reduccin de los
niveles de la capacidad pulmonar en nios y adultos asmticos y enfermedades
crnicas de obstruccin pulmonar. Los efectos sobre la salud originados por
estas causas, traen asociados aumentos en el ausentismo escolar, disminucin
de los das de actividad laboral y un aumento del nmero de consultas mdicas
o a las salas de emergencias por sntomas de asma y otras patologas
respiratorias (COMEAP, 1998, WHO, 2000).
28
III. MATERIALES Y METODOS

3.1 Lugar de ejecucin
El proyecto fue realizado en la ciudad de Tingo Mara Rupa Rupa;

el cual la fase de campo fue realizado en distintos puntos de la zona urbana, y
la fase de laboratorio fue realizado en el laboratorio de Microbiologa de la
Universidad Nacional Agraria de la Selva Tingo Mara.
Cuadro 1. Coordenadas UTM de los puntos de muestreo (Tingo

Mara)
COORDENADAS
UBICACIN
ESTE NORTE
390032 8971522 RAIMONDI Y CALLAO
390163 8971436 RAIMONDI Y CAYUMBA
390064 8971461 RAIMONDI Y JULIO BURGA
390191 8971839 TITO JAIME Y CALLAO
390423 8971234 TITO JAIME Y CAYUMBA
390969 8971671 TITO JAIME Y SAN ALEJANDRO
390135 8971312 TITO JAIME Y JULIO BURGA
ENRRIQUE PIMENTEL - SEMAFORO

389958 8971073 ESSALUD
390226 8970663 PUERTA N02
390501 8970235 PUERTA N01
390118 8971737 UCAYALI Y MONZON
390359 8972148 CHICLAYO Y UCAYALI
389877 8971596 ALAMEDA Y CALLAO
390059 8971908 ALAMEDA Y JOSE PRATO

29
390306 8972322 ALAMEDA Y SAN ALEJANDRO
390079 8971480 AMAZONAS Y CALLAO
390265 8971792 AMAZONAS Y JOSE PRATO
390691 8972512 AMAZONAS Y JULIO BURGA
Fuente: elaboracin propia
3.1.1 Ubicacin
La ciudad de Tingo Mara se ubica en el departamento de Hunuco, en el

centro oriente del territorio peruano (a 135 km. de la ciudad de Hunuco y a la margen
derecha del ro Huallaga). As mismo pertenece al distrito de Rupa Rupa cuyos
colindantes son por el norte con el distrito de Jos Crespo y Castillo, al este con
el distrito de Felipe Luyando, al sur con el distrito de Mariano Dmaso Beran y por el
oeste, finalmente, limita con el distrito de Monzn.
Cuadro 2. Ubicacin Poltica
Departamento Hunuco
Provincia Leoncio Prado
Distrito Rupa Rupa
Fuente: Elaboracin Propia
Cuadro 3. Ubicacin geogrfica
Latitud Longitud Altura
0916'00'' 7601'00" 660 msnm
Fuente: Elaboracin Propia
3.1.2 Superficie
La ciudad de Tingo Mara posee una superficie de 4,395.46 km2.
3.1.3 Poblacin
La capital de la provincia de Leoncio Prado cuenta con aproximadamente
con 50,000 habitantes.
30
3.1.4 Clima
Las condiciones climticas de la ciudad de Tingo Mara presentan una
temperatura mxima de 29,4 C la mnima de 19,2 C, y una temperatura media anual
de 24,5 C.
3.1.5 Precipitacin
La ciudad de Tingo Mara presenta una precipitacin promedio anual de 3
300mm, y una humedad relativa de 87% (INRENA, 2007). Destacan dos estaciones
predominantes: verano, entre los meses de mayo a octubre donde la temperatura llega
a 35 C; durante la temporada de verano ocasionalmente hallamos lluvias de mediana
y gran intensidad. Durante la estacin de invierno que va desde noviembre y se
prolonga hasta el mes de marzo, son constantes las precipitaciones pluviales intensas.
3.1.6 Aspectos geolgicos

- Hidrografa
Su principal ro, el ro Huallaga, posee una gran riqueza ictiolgica, siendo

navegable en balsas y canoas. Adems existen pequeos ros como el ro Supte,
Picuruyacu , Quebrada del guila , etc.
3.1.7 Aspectos socio econmicos de la zona
- Principales actividades econmicas
Agropecuaria
La agricultura es el sector ms importante de la provincia de Leoncio Prado,
sin embargo del total de reas disponibles se cultivan el 13.3% (22,908 ha). Los
principales productos agrcolas cultivados en la provincia son: Cacao, maz amarillo,
coca, yuca, caf, entre otros.
El producto ms representativo es el cacao por cuanto su calidad y rendimiento
ha sido mejorado gracias al esfuerzo de instituciones como la UNAS, Empresas
Privadas, Proyecto Especial Alto Huallaga.
Forestal
La actividad forestal es una actividad desarrollada en todo el distrito de Rupa
Rupa. En los ltimos aos ha aumentado su actividad observndose que el recurso
forestal ha sido depredado en gran medida por situaciones de prcticas agropecuarias,
31
industrias ineficientes y cultivos ilcitos que lo estn llevando a una situacin de escasez
en diversidad de especies y tambin esto est significando una degradacin acelerada
de los suelos y el desequilibrio hdrico y su contaminacin atentando contra la fauna
acutica, fauna terrestre, flora arbustiva y arbrea y finalmente contra la vida de la
poblacin.
Turismo
La actividad turstica es ampliamente desarrollada en la ciudad de Tingo Mara,
posee diferentes atractivos tursticos con una amplia biodiversidad.
La biodiversidad que abunda permite que tantos ajenos como propios disfruten
del encanto de la naturaleza, con un clima clido y hmedo a una altitud de 652
m.s.n.m.; teniendo como uno de los principales atractivos a la Bella Durmiente, una
cadena de montaas que tienen la apariencia del perfil de una mujer recostada cubierta
por un manto verde.
La artesana
Abarca diferentes rubros, as como una variedad de formas y expresiones
producto de la flora y fauna que alberga esta parte del pas, as como al imaginacin
que sugiere representar hechos de la vida diaria nativa, tambin como expresiones
abstractas. La tcnica ms usada y casi la nica es el tallado; los materiales
comnmente utilizados en la elaboracin de artesanas.
3.1.8 Vas de acceso
- Va area: Por la Corporacin Peruana de Aeropuertos Civiles.

De Lima a Tingo Mara, el tiempo de vuelo es de aproximadamente 35 minutos.
- Terrestre: Las carreteras del Centro Oriente Peruano se
encuentran en buen estado, se pueden utilizar las carreteras de diferentes
lugares:
Lima Tingo Mara (aproximadamente 10 horas)

Tingo Mara Pucallpa (300 km.)
Tingo Mara Juanjui. Se utiliza la carretera Rafael Belande Terry (ex
marginal de la selva)
32
- Fluvial: Se puede transportar a travs de los ros Huallaga y

Monzn.
3.2 Materiales
3.2.1 Materiales de campo
Placa receptora de Polvo Atmosfrico Sedimentable, hecho por
material de vidrio de dimensiones (10 x 10 cm) trazadas en
cuadrculas de (1 x 1) cm. Figura 31.
Plataforma para las Placas Receptoras de Polvo Atmosfrico
Sedimentable, conformada por una estructura de alambres..
Cajas Portaplacas de Polvo Atmosfrico Sedimentable (para 18
placas) de madera. Figura 24
GPS.
Cmara Fotogrfica.
Cuaderno de apuntes.
3.2.2 Equipos de laboratorio
Balanza Electrnica, con divisin de escala >= 0,0001 g y capacidad
>= 110 g.
Alcohol de 96.
Vaselina Industrial.
Guantes de Cirujano
Solucin Lquida Limpiadora
Trapos Industriales.
Plumn de Tinta Indeleble.
Lpiz.
Cinta Maskintape 1 .
Cuaderno de campo.
3.2.3 Equipos de gabinete
Software
R (incluido su paquete Openair)
Microsoft de Excel
Microsoft de word
3.3 Metodologa
33
En base a los objetivos, la metodologa realizada se dividi en 4

fases:
a) Para la aplicacin del Muestreo Mtodo Pasivo
Preparacin de placa para captacin de muestra en la estacin

(el empleo del mandil blanco es obligatorio)
Se limpi cuidadosamente las placas de vidrio con ayuda de una

solucin lquida y se dej secar el tiempo necesario. Luego se verifico que las
placas estn en perfectas condiciones (bordes y superficie lisa y entera).
Se etiqueto con plumn indeleble cada una de las placas

receptoras.
Se unto uniformemente con vaselina las placas receptoras con

ayuda de una paleta.
Se pes inicialmente las placas receptoras en la balanza

electrnica, teniendo en cuenta lo siguiente:
El ambiente en que se realiz las mediciones tuvo que estar cerrado,

evitando cualquier influencia externa que pueda alterar la medicin (corrientes
de aire).
El pesado se realiz para todas las placas a un slo tiempo sin

ninguna interrupcin o intervencin externa.
Se registr el peso inicial de las placas receptoras en el cuaderno

de campo.
Se acomod las placas receptoras pesadas ordenadamente en la

caja de madera portaplacas, para su instalacin en la estacin.
34
Instalacin de placa de muestreo inicial e intercambio de la misma
Al inicio del muestreo, se coloc la placa preparada en la Plataforma

para Placas receptoras de Polvo Atmosfrico.
Los reemplazos de las placas que se realizaron en cada estacin, se

anotaron cuidadosamente en el cuaderno de campo para evitar cualquier confusin.
La placa de muestreo extrada de la plataforma se transporto al laboratorio

para la evaluacin respectiva, en el portaplacas, evitando una mayor manipulacin de
la misma durante el transporte.
As mismo, se anotaron en el cuaderno de apuntes, las observaciones

complementarias registradas durante el inicio o reemplazo de placas; tales como,
actividades de construccin cercana a la estacin, manipulacin de placas por terceros
u otras que se consideren importantes para la validacin posterior de la informacin.
Obtencin del dato representativo de la muestra de cada estacin.
Se aplic el mtodo gravimtrico (diferencia de pesos) para la obtencin

de las muestras de concentracin para cada estacin.
Las placas de muestreo recogidas de cada una de las estaciones, fueron

pesadas cuidadosamente en la balanza y los pesos se anotaron en el cuaderno de
campo de acuerdo al orden establecido en cada estacin, para lo cual se tuvo en cuenta
las siguientes recomendaciones:
- El ambiente en que se realiz la medicin estuvo cerrado, evitando

cualquier influencia externa que pueda alterar la medicin
(corrientes de aire).
- Slo una persona realizo el pesado.
- El pesado se realiz para todas las placas a un slo tiempo sin
ninguna interrupcin o intervencin externa, y fue la misma persona
que prepar el material inicial para salir al campo.
Concluido el pesado de las muestras, se limpiaron las placas receptoras y

se almacenaron en su contenedor para su nuevo uso.
35
Es importante mencionar que para aprovechar al mximo esta tcnica, se

deben vigilar los procedimientos de aseguramiento y control de la calidad seguidos en
el laboratorio durante el anlisis de la muestra.
Obtencin de resultados de la Concentracin de Polvo Atmosfrico

Sedimentable (WPAS) mensuales:
Los pesos inicial y final obtenidos de las placas receptoras registrados en

la bitcora de campo, se ingresaron y almacenaron en la Ficha de Datos de Polvo
Atmosfrico Sedimentable, (Figura 27)
La determinacin de la Concentracin de Polvo Atmosfrico Sedimentable

(WPAS) mensual de cada placa se hall reemplazando la informacin de los pesos
inicial y final que se obtuvo; en el siguiente modelo matemtico de conversin:
W pr W pc
W PAS = [---------------------- ] X[100] X [N dm ]
N dc
Donde:
WPAS = Concentracin de Polvo Atmosfrico Sedimentable
W pr = Peso de Placa Retirada (peso de la placa retirada a fin

de mes en gramos)
W pc = Peso de Placa Colocada (peso de la placa colocada a

inicio de mes en gramos)
N dc = Nmero de das de la placa colocada en campo

36
N dm = Nmero de das del mes que corresponde al mes

de estudio o evaluacin
W PAS = XXX toneladas mtricas /km2/mes
Las Concentraciones de Polvo Atmosfrico Sedimentable, son

comparados con el nivel referencial permisible de cinco (5) t/km2/mes adoptado por la
Organizacin Mundial de la Salud (OMS).
Una vez que se obtuvo las concentraciones de la red, se procedio al

anlisis estadstico e interpretacin de la informacin, reportes preliminares, cuadros,
mapas, grficos para la elaboracin del boletn mensual.
b) Para la minera de datos

La minera de datos se utiliz para el anlisis de los valores obtenidos en el
campo, el cual trabaja a nivel del conocimiento con el fin de descubrir patrones,
relaciones, reglas, asociaciones o incluso excepciones tiles para la toma de
decisiones; el cual despus nos ayud a tener una probabilidad de que variable
es la que esta influyendo en el lugar de emisin.
Etapas del proceso de minera de datos

Seleccin y preprocesado de datos.
Seleccin, limpieza, enriquecimiento, reduccin y la transformacin de las
bases de datos.
Seleccin de variables.
Las variables que se utiliz fueron:
- Temperatura
- Humedad relativa
- Lluvia total, minima y nmero de das
37
- Velocidad y direccin del viento
Extraccin del conocimiento.

Se comenz con un anlisis estadstico de los datos, y luego se llevo a cabo
una visualizacin grfica de los mismos para tener una primera aproximacin.
Interpretacin y evaluacin.
Se verifico si los resultados obtenidos son coherentes y los compara con los
obtenidos por el anlisis estadstico y de visualizacin grfica.
Figura 1. Interpretacin y evaluacin
c) Para el diseo de las Redes Neuronales
Anlisis de los datos
Se utiliz el software MatlabR2014a, ya que cuenta con un

toolboosk llamado neutral network.
Preparacin y codificacin de los datos
Despus de haber escogido las variables se procedi a la codificacin de

los datos de entrada: para ello, se establecieron valores apropiados, atributos
numricos, por medio de una funcin lineal, en base a la influencia de las variantes en
las concentraciones muestreadas en cada estacin
38
Figura 2. Esquema general de redes neuronales
Donde los datos ingresaron por medio de la capa de entrada paso a

travs de la capa oculta y salio por la capa de salida, cabe mencionar que esta ltima
puede estar constituida a su vez por varias capas; en el que los datos de entrada sern
las diferentes variables y los datos de salida las concentraciones.
Las variables a utilizar fueron:
- Temperatura
- Humedad relativa
- Lluvia total, minima y nmero de das
- Velocidad y direccin del viento
Para el codificamiento de datos realizo un escalamiento de datos y de los

atributos asignados a las variables, se ingresaron los datos con la frmula siguiente, la
cual pondr los datos en valores entre 0 y 1
Donde
X: concentracin registrada.
Xmin: concentracin mnima de la base de datos (monitoreo)
Xmax: concentracin mxima de la base de datos (monitoreo)
X: variable escalonada.
39
Algoritmo de aprendizaje
Backpropagation, es el mtodo con el cual se calcul la gradiente

del error; teniendo como variantes a la temperatura, el roce del viento, radiacin
solar y sobre todo la concentracin de la muestra en cada estacin; con el tipo
de neurona: perceptron simple con 4 unidades de entradas
Topologa de la red
Para el diseo de la red neuronal se tuvo las siguientes

consideraciones:
El nmero de neuronas de entrada, en este caso 4

funcion de activacin: lineal (purelin)
Proceso de aprendizaje
Se utilizo el tipo de aprendizaje: supervisado - estocstico, debido a

que el entrenamiento estuvo controlado por un agente externo (en este caso,
los ejecutores del proyecto) que determinaron la respuesta a generarse en la
red a partir de una entrada determinada; es decir el aprendizaje de la red
neuronal se someti a constantes cambios en el que si el comportamiento de la
red se acerca el deseado, aceptaremos el cambio, caso contrario seguir siendo
sometido a cambios.
Despus del proceso de entrenamiento de las conexiones de la red

neuronal, se procedi a probar si esta puede resolver nuevos problemas,
cumpliendo as con uno de los objetivos especficos
d) Para la prediccin de contaminantes

Para la prediccin de contaminantes se utiliz los siguientes interpoladores:
- SPLINE
El algoritmo que utiliza la herramienta Spline se basa en la siguiente

frmula para la interpolacin de la superficie:
40
Donde:
j = 1, 2, ..., N.
N: cantidad de puntos.
j: son coeficientes determinados por la solucin de un sistema de ecuaciones

lineales.
rj: es la distancia del punto (x,y) al punto j.
T(x,y) y R(r) se definen de forma diferente, segn la opcin seleccionada.
- IDW
La interpolacin del punto problema se realiz asignando pesos a los
datos del entorno en funcin inversa de la distancia que los separa -inverse distance
weighting, IDW.
Donde es el valor estimado para el punto j ; n es el nmero de puntos

usados en la interpolacin; zi el valor en el punto i-simo y kij el peso asociado al dato
i en el clculo del nodo j. Los pesos k varan entre 0 y 1 para cada dato y la suma total
de ellos es la unidad.
Para establecer una funcin de proporcionalidad entre el peso y la

distancia, la frmula general queda como sigue:
41
- KRIGING
El mtodo kriging es similar al de IDW en que pondera los valores medidos
circundantes para calcular una prediccin de una ubicacin sin mediciones. La frmula
general para ambos interpoladores se forma como una suma ponderada de los datos:
Donde:
Z(si) = el valor medido en la ubicacin i
i = una ponderacin desconocida para el valor medido en la ubicacin i
s0 = la ubicacin de la prediccin
N = la cantidad de valores medidos
- VECINO NATURAL (NATURAL NEIGHBOUR)

En el caso del vecino natural al principio, se construy un diagrama de
Voronoi de todos los puntos dados, representados por los polgonos de color verde
oliva. Despus se cre un nuevo polgono de Voronoi, en color beige, alrededor del
punto de interpolacin (estrella roja). La proporcin de superposicin entre este
polgono nuevo y los polgonos iniciales se utiliz como ponderaciones.
42
Figura 4. Ejemplo de polgono Voronoi creado alrededor del punto de interpolacin

43
IV. RESULTADOS
4.1. Datos del este, norte y altitud con la masa de la placa.
Cuadro 1. Elementos considerados para la evaluacin del comportamiento del

material particulado
N ESTE NORTE ALTITUD MP
1 390032 8971522 640 1.057
2 390163 8971436 640.85 0.359
3 390064 8971461 640.01 1.063
4 390191 8971839 640 1.539
5 390969 8971671 700.99 0.225
6 390135 8971312 641.08 1.019
7 389958 8971073 642.41 1.452
8 390226 8970663 656.22 0.268
9 390501 8970235 661.89 0.23
10 390118 8971737 640 0.51
11 390359 8972148 640 0.219
12 389877 8971596 640 1.04
13 390059 8971908 640 1.497
14 390306 8972322 640 1.084
15 390079 8971480 640 0.994
16 390265 8971792 640 0.845
17 390691 8972512 641.68 0.179
4.2. Elaboracin del grfico una relacin de altitud con masa de la

placa.
Cuadro 2. Dispersin del Material Particulado en funcin de la altitud

1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
630 640 650 660 670 680 690 700 710
44
Cuadro 3. Dispersin del Material Particulado en funcin de la coordenada X

(ESTE)
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
389800 390000 390200 390400 390600 390800 391000 391200
Cuadro 4. Dispersin del Material Particulado en funcin de la coordenada Y

(NORTE)
1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
8970000 8970500 8971000 8971500 8972000 8972500 8973000
4.3. Uso del software MatabR2012 para la elaboracin de las redes

neuronales.
45
Figura 15 Datos importados en matrices (Imputs = Entradas, Target = Salida)
Figura 16. Entrenamiento de la red neuronal
Figura 17. Regresin despus del primer entrenamiento de la red.

46
Figura 18. Regresin tras el ltimo entrenamiento de la red. (ntese cambio del
coeficiente de correlacin de Pearson)
Figura 19. Graficas de Entrenamiento Validacin - Prediccin

47
Figura 20. Prediccin de Material Particulado con la red creada
Figura 21. Comparacin de datos estimados con datos reales

48
V. DISCUSION
Los modelos atmosfricos de dispersin de contaminantes son

herramientas fsico-matemticas que permiten simular las condiciones reales de
transporte y dispersin de los contaminantes como producto de la interaccin
de las condiciones meteorolgicas y las propias de las fuentes de emisin
(Universidad de Chile-MI5DD, 2008). Es por ello que en la informacin requerida
para el modelamiento de los contaminantes, se considera la ubicacin
geogrfica de las fuentes, la concentracin de los contaminantes emitidos, y
factores meteorolgicos tales como la turbulencia atmosfrica, velocidad del
viento, temperatura y presin atmosfrica. A diferencia de los datos de salida
(concentraciones diarias, horarias, etc.) que variaran dependiendo de la
complejidad de los modelos empleados. El componente de calidad del aire del
modelo es compatible con el componente meteorolgico, los dos utilizan el
mismo sistema de transporte (masa y preservacin escalar), es decir que tanto
los datos meteorolgicos como los qumicos mantienen sus valores dentro del
modelo; utilizan tambin la misma grilla (componentes horizontal y vertical), los
mismos esquemas fsicos para el transporte y el mismo paso de tiempo por lo
que no es necesaria la interpolacin temporal (NOAA, 2011).
Se ubicaron aproximadamente 17 estaciones de monitoreo pasivo

distribuidas dentro de la zona urbana de la ciudad de Tingo Maria. La
informacin que estas generan, fue recolectada por los autores de la presente
practica para su posterior anlisis en el laboratorio; sin embargo al tratarse de
un monitoreo pasivo, el flujo de informacin no es muy dinmico, por esta razn,
puede que la calidad de la informacin no sea la ptima (CEA, 2011). Esto
debido a la variacin de los factores como la altitud, la temperatura y la
humedad, los mismos que varan significativamente en todo el mundo. Es decir
a mayor altitud, la presin parcial de oxgeno disminuye y, en compensacin, la
inhalacin aumenta. En el caso de las partculas transmitidas por el aire, los
mayores volmenes de inhalacin darn lugar a la ingesta de un mayor nmero
de ellas. (OMS, 2004).
49
La comparacin de los datos obtenidos acerca de la contaminacin

atmosfrica con otros estudios realizados, se encuentra limitada, debido al
mtodo de recoleccin de estos, ya que los modelos no describen con exactitud
el problema de contaminacin de una zona determinada, estos slo constituyen
una representacin, cercana o no, de lo que sucede; por lo tanto, no hay que
olvidar que slo son modelos y que la calidad de los resultados depende de
factores como la exactitud del inventario de emisiones, incertidumbre de los
procesos fsico qumicos que sufren los contaminantes durante su transporte,
calidad y representatividad de los datos meteorolgicos adems de la falta de
validacin del modelo en una situacin determinada.
La estimacin de valores desconocidos a partir de una muestra

mediante tcnicas de interpolacin se practica constantemente en muchas
reas de la ciencia, y de hecho con frecuencia son inseparables de los procesos
realizados en el arte de la investigacin, en especial los relacionados con las
ciencias de la tierra. El proceso normal es obtener a partir de una muestra el
comportamiento general de un fenmeno; en este caso el comportamiento de la
dispersin de los contaminantes atmosfricos de la ciudad de Tingo Mara.
De la estimacin de la concentracin de los contaminantes en las

distintas zonas de monitoreo con los mtodos de Spline, IDW, Kriging, Natural
Neighbors y Spline, se obtuvo una similitud en cuanto a las zonas con mayor y
menor concentracin de contaminantes obtenidas al momento de la
interpolacin. Es as, que la mayor concentracin de estos contaminantes se
encuentra en las avenidas Tito Jaime, Alameda Per y Amazonas, caracterizado
por encontrarse cerca de fuentes de contaminacin puntual, como semforos e
incineradoras de madera; y la menor, en las avenidas Ucayali, Chiclayo, San
Alejandro y Cayumba, caracterizado por encontrarse en las zonas perifricas de
la ciudad, es decir, con una considerable reduccin del parque automotor. Esta
diferencia se debe a que la concentracin local de los contaminantes del aire
depende de la magnitud de las fuentes y de la eficiencia de su dispersin. (OMS,
2004).
50
La aplicacin del mtodo kriging ordinario para la prediccin de

datos de g/m3 de media anual de PM10 result til para representar los niveles
de exposicin a contaminacin debido a que segn RANGEL (2002) con la
aplicacin de este mtodo se consigue minimizar la varianza del error de
prediccin, debido a que este utiliza en su estimacin las caractersticas de
variabilidad y correlacin espacial del fenmeno estudiado.
En el mapa IDW encontramos manchas representivas de

concentraciones que no aparecen en ninguno de los mapas de prediccin por
Kriging, ya que han sido eliminada por los otros mtodos debido a que est
rodeada de estaciones con valores ms bajos, igual sucede con un punto
amarillo que aparece en la zona ms al norte del mapa
Finalmente, en el mapa de prediccin con el mtodo de Spline se

observa una mayor segmentacin de los los niveles de concentracin de
material particulado en la ciudad de Tingo Maria, debido a segn Gamble, 1998
la herramienta Spline utiliza un mtodo de interpolacin que estima valores
usando una funcin matemtica que minimiza la curvatura general de la
superficie, lo que resulta en una superficie suave que pasa exactamente por los
puntos de entrada; en este caso, las estaciones de monitoreo; a diferencia del
mapa de prediccin obtenido con el mtodo de Neighbors puesto, que este
ltimo halla el subconjunto de muestras de entrada ms cercano a un punto de
consulta y aplica ponderaciones sobre ellas basndose en reas proporcionales
para interpolar un valor (SIBSON, 1981).
Durante los meses de verano el espesor de la capa de mezcla es

menor, contribuyendo a que los contaminantes se encuentren en mayor
contacto con la superficie (SENAMHI, 2011). Por ello los resultados en algunas
zonas son altas como la de la avenida Tito Jaime y Jirn Callao, adems las
concentraciones del material particulado fueron altas debido tambin a la
presencia de vientos fuertes en la temporada de muestreo, por lo que al
reportarse vientos de mayor magnitud existe mayor resuspensin del material
particulado.
51
La materia particulada emitida por los vehculos con motor de

gasolina consiste de carbn, ceniza metlica y aerosoles de los hidrocarburos.
A pesar de que las partculas representen slo el 10 % de la masa total de los
contaminantes del aire producidos por el hombre, el riesgo potencial de este tipo
de contaminantes es mucho mayor CO2. Las concentraciones de material
particulado son altos representado un riesgo para la salud humana,
especficamente para los pulmones; adems incrementan las reacciones en la
atmsfera, reducen la visibilidad; aumentan la posibilidad de la precipitacin, la
niebla y las nubes; reducen la radiacin solar, con los cambios en la temperatura
ambiental y en las tasas biolgicas de crecimiento de las plantas; y ensucia las
materias del suelo.
Los resultados obtenidos en este proyecto permiten afirmar que el
trfico vehicular, especialmente el que tiene que ver con motores disel, influye
de forma directa en los niveles de exposicin a la contaminacin por material
particulado en las inmediaciones de una va de transporte. Del mismo modo, la
gran mayora de las concentraciones altas de material particulado con la avenida
Tito Jaime con Callao (sector mercado) se encuentran asociados con eventos
en los que a su vez se encuentran involucrados vehculos que operan con
combustibles disel, especialmente aquellos que hacen parte de la flota de
transporte pblico colectivo y personal.
Los elementos considerados que influyen en la contaminacin por

material particulado evaluado en la zona urbana de Tingo Mara son las
coordenadas (este y norte) tambin se evalo la altitud en relacin al material
particulado, sin embargo, de acuerdo a la figura 19, se observa que no existe
influencia alguna, adems que la altitud a la que se evaluaron todos los puntos
son 650 m. Si bien fue posible demostrar la importancia de cada una de las tres
variables estudiadas (norte, este y altitud) al momento de determinar los niveles
de contaminacin por material particulado, no fue posible establecer de manera
clara cul de estas es la variable ms importante y/o dominante a excepcin de
la altitud. Sin embargo se deben tener en consideracin muchas ms variables
a evaluar como nivel de congestin, geometra de calle, y seccin transversal.
52
VI. CONCLUSION
La atmsfera contiene varios gases que, en concentraciones

mayores que las normales, son venenosos para los seres humanos y animales
y dainos para las plantas como por ejemplo el O3, el SO2, el NO2, el CO y una
amplia gama de COV (compuestos orgnicos voltiles) (OMS, 2004). Adems
de los gases, la atmsfera contiene una gran variedad de partculas, slidas y
lquidas, cuyo tamao vara desde unos cuantos nanmetros hasta 0,5
milmetros. En el presente trabajo de investigacin se evalo el material
particulado concentrado en un total de 17 puntos de la zona urbana de Tingo
Mara.
El tipo de modelo de RNA usado fue uno de multicapas, alimentado

hacia adelante y entrenado mediante la tcnica de propagacin hacia atrs. El
mejor modelo result ser con una capa oculta con un total de 10 neuronas
utilizadas para un mejor aproximado del mismo.
Se trabajaron con tres variables siendo estas las coordenadas (este,

norte) y la altitud, encontrndose segn los modelos RNA que las variables este
y norte si influyen en la concentracin del material particulado pues existen zona
como la Tito Jaime, Amazonas y Alameda Per que concentran la mayor
cantidad de material particulado siendo zonas de una alta influencia de
vehculos automotores as como negocios los mismos que generan la cantidad
material particulado encontrado. A diferencia de la altitud pues no se encontr
influencia alguna.
Las avenidas con mayor concentracin fueron Tito Jaime, Alameda

Per y Amazonas debido al constante flujo vehicular de forma constante durante
el da, talleres de mecnicas, por desgaste de ruedas y frenos y la menor, en
las avenidas Ucayali, Chiclayo, San Alejandro pues son zonas de menor
influencia de trnsito.
53
VII. REFERENCIAS BIBLIOGRAFICAS
ADAME, A. y SALIN, D. 1996. Contaminacin Ambiental, Editorial Trillas,

Mxico.
AGIRRE, E., ANTA, A. y BARRN, L. s/d. Un Sistema de Prediccin de los

Niveles de Ozono Mximos Diarios, Universidad del Pas Vasco, Bilbao,
Espaa.
AIZENBERG, I. 2011. Complex-Valued Neuronal Networks with Multi-Value

Neurons, Studies in Computational Intelligence. USA.
ARELLANO, J. 2002. Introduccin a la Ingeniera Ambiental, ALFAOMEGA S.A.

Mxico, D.F.
BASOGAIN, X. 1998. Redes Neuronales Artificiales y sus Aplicaciones, Escuela

superior de Ingeniera de Bilbao, Bilbao, Espaa.
BRIGNOLE, N; CHIARVETTO, L; REY, F. 2008. Aplicacin de redes neuronales

artificiales para la prediccin de calidad de aire. Buenos Aires, Argentina.
CORREA, A. 2009. Calidad del aire en la Ciudad de Morelia, Direccin de

Proteccin al Medio Ambiente. Morelia, Mexico.
CORTINA, M. 2012. Aplicacin de Tcnicas de Inteligencia Artificial a la

Prediccin de Contaminantes Atmosfricos. UNIVERSIDAD
POLITECNICA DE MADRID, ESPANA.
EL PERUANO
54
GAMARRA, H. 2004. Inteligencia Artificial. Redes Neuronales Artificiales;

Fundamentos y la Red Backpropagation. Huancayo, Per.
GONZLEZ, B. 2009. Ciudades para un Futuro ms Sostenible, Ozono

troposfrico, Madrid (Espaa), [En linea]: http://habitat.aq.upm.es/temas/a-
ozono-troposferico.html 54
GONZLEZ, D. JARAMILLO, M. LUCIO, J. NEZ, M. PORTILLA, G. 2006.

Anlisis de series de tiempo univariante aplicando metodologa de Box-
Jenkins para la prediccin de ozono en la ciudad de Cali, Colombia.
LUGER, G. 2005. Inteligencia Artificial: Estructuras y estrategias para resolver

problemas complejos, 5ta edicin, Estados Unidos.
MIRANDA, J. 2006. Impacto econmico en la salud por contaminacin del aire

en lima metropolitana, Instituto de Estudios Peruanos, Lima, Per.
OMS, 2004. Guas para la calidad del aire, Organizacin Mundial de la Salud,
lima, Per.
PROSPERO, L., SAVOIE, M. 1989. Modelizacin y anlisis de las

concentraciones de ozono troposfrico. Madrid, Espaa.
RCAE, 2010. Modelizacin y prediccin del aire, Evaluacin Ambiental. (EN

LINEA)
http://gestiona.madrid.org/azul_internet/html/web/4.htm?ESTADO_MENU
=4
SEINFELD, J. 1978. Contaminacin Atmosfrica: Fundamentos Fsicos y

Qumicos, Ed. Instituto de Estudios de Administracin Local, Madrid,
Espaa.
SORIA, E; SERRANO, A y MARTN, J. 2009. Redes neuronales Artificiales.

Escuela Tcnica Superior de Ingeniera. Valencia, Espaa.
55
TECNOZONO, s/d. Ozono, Propiedades Fsicas, [EN LINEA]:

http://www.tecnozono.com/ozono.htm
UTN 2010, Aplicacin de Redes Neuronales Artificiales para la prediccin de

MP10 y O3. Universidad Tecnolgica Nacional.
VELZQUEZ, F. 2001. El Ozono, Cundo protege y cuando destruye?, Madrid,

Espaa, Mc Graw-Hill.
56
VIII. ANEXOS
Figura 22. Construccin de casetas
Figura 23. Preparacin de insumos para la construccin de casetas

57
Figura 24. Casetas para soporte de las placas de vidrio.
Figura 25. Calculando medidas para la instalacin de casetas.

58
Figura 26. Instalacin de casetas en diferentes puntos de la zona urbana de

Tingo Mara.
Figura 27. Pesado de placas.

59
Figura 28. Huntado de vaselina sobre las placas
Figura 29. Anotacin de datos en el cuaderno de campo

60
Figura 30. Instalacin de placas en las casetas ubicadas en el punto de

muestreo.
Figura 31. Placas obtenidas con material particulado despus de un mes.

61
Figura 32. Desinstalacin de casetas.
Figura 33. Trabajo de gabinete.

Proyecto Final Modelizacion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Proyecto Final Modelizacion

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA

FACULTAD DE RECURSOS NATURALES RENOVABLES

MODELAMIENTO DEL MATERIAL PARTICULADO Y POLUCION DE LAS

DOCENTE : Ing. Luis Eduardo Or Cierto

CURSO : MODELIZACION AMBIENTAL

TINGO MARIA PERU

La contaminacin atmosfrica es una problemtica a la que cada

A nivel ambiental, se presenta deterioro de los ecosistemas,

Por ello, los modelos matemticos de calidad del aire son

Los modelos de dispersin tienen como objetivo fundamental

complejas. Otro punto de importancia de los modelos matemticos para la

En resumen, los modelos de dispersin son una poderosa

Con los crecientes problemas de contaminacin y el nfasis dado a

Por tales motivos, en el presente informe se evaluarn las emisiones

1.1. Objetivo General

II. REVISION DE LITERATURA

se llama sinapsis y estas entradas son dirigidas al ncleo donde se procesan

Figura 1. Partes de una neurona biolgica.

2.1.2. Redes neuronales artificiales

seales de entrada que puede ser excitatorio ("1") o inhibitorias

("-1"), calcula la suma ponderada de entradas

umbrales predeterminados y la salida inhibitoria ("-1") si no lo hace

Figura 2. Partes de una neurona artificial

Las operaciones matemticas que se realizan en una neurona

Donde p es una funcin no lineal conocida como funcin de

El modelo descrito es el ms usual, sin embargo, aparecen otros

2.2. Modelo en redes neuronales

En todo modelo artificial de neurona se tiene cuatro elementos

2.3. Funciones de activacin para las redes neuronales

Existen distintos tipos de redes neuronales que usan diferentes

Figura 3. Funciones de activacin ms utilizadas

2.4. Arquitecturas neuronales

Los elementos bsicos se pueden conectar entre s para dar lugar

2.4.1. Segn el nmero de capas

Figura 4. Esquema de una red neuronal monocapa.

b) Redes neuronales multicapa.

Figura 5. Esquema de una red neuronal multicapa.

Se ha demostrado que las redes multicapa presentan cualidades y

2.4.2. Segn el tipo de conexiones

b) Redes neuronales recurrentes.

Figura 6. Esquema de una red neuronal recurrente.

2.5. Mtodos de aprendizaje de las redes neuronales artificiales

En una red neuronal es necesario definir un procedimiento por el

Figura 7. Tipos de aprendizaje para las redes neuronales.

2.6. Sistema con una neurona

Figura 8. Esquema de un Perceptrn.

El procedimiento de aprendizaje comienza por la inicializacin

3. Comparacin con el umbral:

4. Aplicacin de la funcin de activacin

5. Comparacin con la seal deseada.

Donde es el peso corregido; , es el peso antes de corregir;

2.7. Sistema con varias neuronas

Figura 9. Esquema de un perceptrn multicapa.

Entonces si la suma de cada elemento de la matriz fila por cada

Dando como resultado una matriz nueva formado por elementos

Esta nueva matriz fila es convertida por la funcin de activacin, la

Dicha matriz conforma lo que es el nuevo vector de ingreso a la

Este proceso se repite hasta llegar a la capa final de salida, de la

2.7.2. Algoritmo de aprendizaje backpropagation

Figura 10. Esquema de la retropropagacin en una red de dos capas.

En la expresin anterior el ndice m denota a la neurona y el ndice

El conjunto {ym} que tiene tantos elementos como neuronas ocultas,

Si es la funcin de activacin, la salida de la neurona de salida

Denotando por dp el valor de la salida deseada, el error a la salida