Evaluación estándar diario PM10

PM10

WH=80%
CL=10%
AL=3%
PE=1%

Análisis de Caso: X

Contaminación atmosférica de Santiago

Dr. Richard Toro A. Química Ambiental 2017
Facultad de Ciencias
Universidad de Chile
Antecedentes
Antecedentes
Inversiones térmicas
 Episodios críticos de contaminación por MP10
Configuración meteorológica
Tipo A

A
B A

—  Gran estabilidad

—  Inversión térmica de
baja altura ~400 m
 Saturación de Cuencas

6  
Antecedentes
 Evaluación de la Calidad del aire

Objetivo

Medir la calidad del aire

Comparar concentraciones
con estándares de calidad de aire

Debe evaluar concentraciones de

elementos y sustancias que podrían provocar
efectos agudos y crónicos en la salud.

Estándares Estándares
Diarios Anuales

X
 Air Quality Standards
Critical Events
Fracción de Período de
Guías de la Estándares Normativa
OMS [2] EPA [3] Chilena [4]
Partículas exposición
(µg/m3) (µg/m3) (µg/m3)

Anual 10 15 20
PM2.5
Diario 25 35 50

Anual 20 - 50
PM10
Diario 50 150 150
[2]$WHO$Air$quality$guidelines$for$par9culate$ma<er,$ozone,$nitrogen$dioxide$and$sulfur$dioxide,$Summary$of$risk$assessment;$
World$Health$Organiza9on$(2006).$

[3]$“Air$Quality:$EPA’s$2006$Changes$to$the$Par9culate$Ma<er$(PM)$Standard”;$CRS$Report$for$Congress;$Robert$Esworthy$and$
James$E.$McCarthy;$Specialists$in$Environmental$Policy$Resources,$Science,$and$Industry$Division;$EPA,$2006.$

[4]!Para!PM10:!D.S.$N°$59$de$1998$del$Ministerio$Secretaría$General$de$la$Presidencia$de$la$República;$“Norma$de$calidad$primaria$
para$material$par9culado$respirable$MP10”.$$$
Para$PM2.5:$Diario$oficial$de$la$República$de$Chile,$Lunes$9$de$Mayo$de$2011.$
$
5
Problema : Alta concentración de PM2,5
Número de días que superan los niveles críticos de contaminación
para PM2.5 durante el período 2000-2010 en Santiago.

Parque O
Situación Pudahuel La Florida Las Condes
´Higgins

Supera la
norma 968 1002 852 266

Alerta 243 244 105 20

Pre-
emergencia 94 45 14 1

Emergencia 2 2 0 0
 Área de Estudio
PM10 PM2.5

Período
2000-2012

X
 Tendencias Históricas
Evaluación en Santiago
estándar diario PM10

PM10

WH=80%
CL=10%
AL=3%
PE=1%

X
 Tendencias Históricas
Evaluación en Santiago
estándar diario PM2.5

PM2.5

WH=63%
CL=23%
AL=6%
PE=2%

X
 Rancagua
Evaluación estándares diarios
300
OMS 534 PM2,5 RANCAGUA
250
Concentración (µg/m3)

D.S.$12/12 159

200 Alerta 73

Preemergencia 26
150
Emergencia 4$
100

50

0
WHO

D.S. 12

ALERTA

PREEMERGENCIA

EMERGENCIA

JUL SEP NOV ENE MAR MAY JUL SEP NOV ENE MAR

Máximos Diarios (Días)

X
 Osorno
Evaluación estándares diarios
400
OMS 294 PM2,5 OSORNO
Concentración (µg/m3)

300 D.S.$12/12 152

Alerta 101

200 Preemergencia 64

Emergencia 30
100

0
WHO

D.S. 12

ALERTA

PREEMERGENCIA

EMERGENCIA

SEP NOV ENE MAR MAY JUL SEP NOV ENE MAR

Máximos Diarios (Días)

X
 Episodios críticos en Osorno
1000
A P P A A A E E P A P
900 PM 10 1h
MM
800
700
600
500
400
Concentración (µg/m3)

300
200
D.S. 59/98
100
1000
0
A P P A A P A P P E E E E E
900 PM2,5
800
700
600
500
400
300
200
100
D.S. 12/12
0
LUN 1 JUE 4 DOM 7 MIE 10 SAB 13 MAR 16 VIE 19 LUN 22 JUE 25 DOM 28

Junio de 2009 (Días)

X
 Episodios críticos en Valdivia
1000
900 PM10 A P A P P 1h A A P
MM
800
700
600
500
400
Concentración (µg/m3)

300
200
D.S. 59/98
100
1000
0
900 PM2,5 P P E A E P P P P E E E P E P E E P P E E E E
800
700
600
500
400
300
200
100
D.S. 12/12
0
MIE 1 SAB 4 MAR 7 VIE 10 LUN 13 JUE 16 DOM 19 MIE 22 SAB 25 MAR 28 VIE 31

Julio de 2009 (Días)

X
 OpenAir
Herramientas de análisis de datos de Calidad de Aire

X
 ǔǜ # TheilSen !0)/$*)
ǕǕ # scatt
ǔǚ # timePlot ) timeProp !0)/$*).

data(mydata)
OpenAir TheilSen(mydata, pollutant = "o3", ylab = "ozone (ppb)", deseason = TRUE)
scatterPlot(data2003, x = "nox", y = "no2", method = "hexbin", col = "jet")
timePlot(selectByDate(mydata, year = 2003, month = "aug"),
pollutant = c("nox", "o3", "pm25", "pm10", "ws")) Herramientas de análisis de datos de Calidad de Aire
## [1] "Taking bootstrap samples. Please wait."
## Loading required package: hexbin

500
14 0.38 [0.21, 0.51] units/year *** Counts
400 ●
200 333
300
NOx

232
200 12
● 161
100 ● 112
0 ● 78
10 ● 150
● ●
60 ● ● ● 54

O3 (ppb)
● ●●
● ● ●
● 38
40 ● ● ● ● ● ●●
26
O3

8 ●

NO2
● ● ●
●● ● ● ● 100
● ● ● ● ● ● 18
NOx, O3, PM2.5, PM10, wind spd.

20 ● ● ● ● ●
● ●●
●● ●
● ●
● ●
●
●●
●
●
● ●
● ǕǓ # smoothTrend !0)/$*) 13
0 6 ●● ● ● ●
● 9
●● ● ●● ● ● ●
80 ● 6
●● ●
●●●
● ● 50
60 ● 4
4
PM2.5

40 smoothTrend(mydata, pollutant = "o3", ylab =

● ●
●
ǔǘ # polarPlot ) polarCluster !0)/$*).
"concentration (ppb)",
3
● 2
20 main = "monthly mean o3") 1
0
0 1
120
1998 smoothTrend(mydata,
1999 2000 2001 2002 2003 2004 2005
pollutant = "o3", deseason = TRUE, ylab = "concentration (ppb)",
0 200 400 600
100 polarPlot(mydata, pollutant
"monthly =mean
main =year "so2", uncertainty o3")
deseasonalised = TRUE)
80 NOx
PM10

60 lower uncertainty pollutant = "no2",

prediction mean
40 smoothTrend(mydata, simulate = TRUE, ylab upper uncertainty
= "concentration (ppb)",
25 N 25 N 25 N
20 main = "monthly mean no2 (bootstrap uncertainties)") 10

8[YgdW ƗƗ FdW`Ve [` ala`W Sf ?Sdk^WTa`W DaSV8[YgdW FZW ƘƗ EUSffWd b^af aXfZW

b^afwait..."
eZaie Zagd^k @Ak he @AƓ Sf ?Sdk^WTa`W DaSV ge[`Y ZWjSY
VWeWSea`S^[eWV
20 20 20
0
8 15 15 15

T[``[`Y FZW `g_TWd aX aUUgddW`UWe [` WSUZ T[` [e Ua^agdUaVWV ɓ`af

## [1] "Taking bootstrap samples. Please 8

_a`fZ^k _WS` Ua`UW`fdSf[a`e aX AƔ FZW ^[`WSd ea^[VeUS^Wɔ

dWV ^[`W eZaie fZW fdW`V
10 wind spd. 10 wind spd. 10 wind spd.
6
wind spd.

5 5 5

;f [e `ai baee[T^W fa eWW iZWdW _aef aX fZW VSfS ^[W S`V S T

6
4 W E W E W E

Wef[_SfW S`V fZW VSeZWV dWV ylab ^[`We eZai fZW ƚƖ ƛ Ua`ƁVW`UW [`fWdhS^e Xad
0 0 0
smoothTrend(mydata, pollutant = "no2", deseason = TRUE, simulate =TRUE,
[`V[USf[a` aX fZW dW^Sf[a`eZ[b TWfiWW` @Ak S`V @AƓ [e dWhWS^WV
2 4

Ǖǔ # timeVariation !0)/$*)main == "concentration (ppb)",

fZW fdW`V TSeWV a` dWeS_b^[`Y _WfZaVe FZW ahWdS^^ fdW`V [e eZai` Sf fZW
Aug 04
"monthly mean deseasonalised no2 (bootstrap uncertainties)")
Aug 11 Aug 18
2
Aug 25

fab^WXf Se Ƒ Ɣƙ ɓbbTɔ bWd kWSd S`V fZW ƚƖ ƛ Ua`ƁVW`UW [`fWdhS^e [` fZW e^abW
FZW ට ට ටba^Sd
NO O PM PM wind spd. 0
x 3
## [1] "Taking bootstrap samples. Please wait..." 2.5 10

bdah[VWe S U^WSdWd [`V[USf[a` aX fZW dW^Sf[a`eZ[b TWfiWW` @Ak S`V @AƓ fZS` 8[Yg
SO S S S 2

8[YgdW Ɩƚ F[_W eWd[We Xad eWhWdS^ hSd[ST^We ge[`Y fZW timePlot S`V Xda_ Ƒ Ɠƒ¶Ƒ Ɩƒ bbT!kWSd eZai fZSf fZW iZWdW
fdW`V _aef[e e[Y`[ƁUS`f fa^[W
fZWiZ[UZ [e `af SbbSdW`f Xda_ 8[Ygd
8[YgdW ƖƓ 4[hSd[SfW TWUSgeWb^af aX[fEA
dWhWS^e aX fZW ba[`fe
monthly mean O3 monthly mean deseasonalised O3
timeVariation(mydata, pollutant = c("nox", "co", "no2", fZW selectByDate
"o3"), normalise = TRUE)
Xg`Uf[a`e FZW VSfS eZai` SdW Xad 3gYgef ƓƑƑƔ Ɠ Ua`UW`fdSf[a`e Sf ?Sdk^WTa`W DaSV FZdWW egd
Ƒ ƑƑƒ ^WhW^ @afWfZWfZSf iZW` fZWdW
S`V SdW hSd[age abf[a`e fZSf SdW geWXg^ W
14

XSUWe SdW eZai`, UW`fdS^ bdWV[Uf[a`

method ɓ_[VV^Wɔ S`V fZW ^aiWd
= "hexbin" gbbWd
● ●
0 6 12 18 23 0 6 12 18 23 0 6 12 18 23 15
●

ƚƖƛ Wef[_SfWV g`UWdfS[`f[We

TadVWd Sdag`V WSUZFZWeW b^afeS`V
T[` ZW^b fa
fZWeZai fZSf [` fZ[e
`g_TWd aX bSdf[Ug
T[`e 8ad WjS_b^W fa b^SUW S YdWk Ta
●
Monday Tuesday Wednesday Thursday Friday Saturday Sunday 12 ●
●
●
●
2.0 ●
## plot monthly means of ozone and no2
normalised level

^Sd USeW ea_W aX fZW Ua`UW`fdSf[a`e10 Xad efda`Y WSefWd^k S`V eagfZWSefWd^k
●
●

concentration (ppb)
Sdag`V WSUZ T[` S`V eWf fZW T[` e[lW fdk,

concentration (ppb)
● ●
● ●
1.5 timePlot(mydata, pollutant = c("o3", "no2"), avg.time = "month") ● ● ● ● ●
● ●

i[`Ve SdW dSfZWd g`UWdfS[` :aiWhWd fZW UW`fdS^ XWSfgdW fa fZW WSef dW_S[`e
● ● ●
10 ●
● ● ● ●●
● ●

USeW fZW fdW`V [` AƔ iSe ƝƑ Ɣƙ g`[fe ɓ[ W bbTɔ bWd kWSd Se S` ShWdSYW ahWd fZW W`f[dW
● ● ● ●● ● ● ●
● ●
●● ● ● ● ● ● ●●

egYYWef[`Y fZ[e XWSfgdW [e ºdWS^» S`V `af S` Sdf[XSUf aX fZWdW TW[`Y faa XWi
1.0 8 ● ● ●
●● ● ●
## plor 95th percentile monthly concentrations ● ●
● ●
●●
● ●
●● ● ●
● ● ● ● ●
●
●

● ●● ● ● ● ● ● ● ● ●
● ● ●
0.5 timePlot(mydata, pollutant = c("o3", "no2"), avg.time = "month", ●● ● ●

VSfS
● ● ● ● ●

bWd[aV ;f S^ea eZaie fZW ƚƖ ƛ Ua`ƁVW`UW [`fWdhS^e [` fZW fdW`V dS`YWV TWfiWW` Ƒ Ɠƒ
●

statistic = "percentile", percentile = 95)

●
● ● ●●
●
scatterPlot(mydata,
●
●
6 x = "nox", y = "no2", method = "hexbin", col = "jet",
●
●
● ● ●●
● ●
●●
●● ●
●
●●
●● ●
●
● ●
●
●●
●
● ●
●

5 ● ● ●● ●
0 6 12 18 23 0 6 12 18 23 0 6 12 18 23 0 6 12 18 23 ●● ● ●
● ● ●
border4 = "grey", xbin = 15)
●● ● ●●●
●
●●●
●
●
●

fa Ƒ= Ɩƒ bbT!kWSd 8[`S^^k fZW e[Y`[ƁUS`UW ^WhW^S`V[` fZ[e USeW aX fZW[e hWdk Z[YZ- U^aeWbdah[V[`Y
fa fZW ba[`fe aX hWdk
● ● ●● ● ●
hour ● ● ● ● ●
## plot the number of valid records in each 2-­‐week period ●
●

TafZ fZW XdWcgW`Uk _SY`[fgVW Ua`UW`fdSf[a` [`fWdWef

● ●
timePlot(mydata, pollutant = c("o3", "no2"), avg.time "2 week", NOx CO NO2 O3

Ea_Wf[_We
[e `af S^iSke[faTh[age
[e geWXg^
S`V [ffa Ua`e[VWd ZaiXad fZW dW^Sf[a`eZ[b TWfiWW` fia hSd[ST^We h
efda`Y Wh[VW`UW fZSf Ua`UW`fdSf[a`e aX A [`UdWSeWV
FZW bSffWd` aX g`UWdfS[`fk
ahWd fZW bWd[aV US`
FZW b^af
V[ŹWd _Sd]WV^k
faYWfZWd
V[ŹWdW`f
1998 1999 2000 2001 2002 2003 2004 2005 1998 1999 2000 2001 2002 2003 2004 2005
statistic = "frequency")
year year

ba^^gfS`fe Ɣ Tk ^WhW^e aX S fZ[dV ;` *+ )$- fZ[e SbbdaSUZ [e baee[T^W Tk eWff[`Y fZW abf[a`
monthly mean NO2 (bootstrap uncertainties) monthly mean deseasonalised NO2 (bootstrap uncertainties)
3` WjS_b^W aX `ad_S^[e[`Y VSfS [e eZai` [` 8[YgdW ƗƑ ;` fZ[e b^af iW ZShW,
1.3

i[fZ fZW eg__Sdk dWeg^fe [e eZai`FZW [` polarPlot

8[YgdW Xg`Uf[a`
ƗƗ @afW fZSf [X a`W iS`fWVhSd[ST^We
a`fa V[eb^Sk XagdfZW
1.6
US` S^ea bdaVgUW b^afe VWbW`VW`f S`afZWd hSd[ST^W ɓeWW
s 3hWdSYWV fZW VSfS fa S``gS^ _WS`e-
IZW` [e S`afZWd `g_Wd[U b^afe SdW bdaVgUWV Xad V[ŹWdW`f cgS`
1.4
70
1.2
type
fZW type abf[a`ɔ 8ad WjS_b^W fZW hSd[Sf[a` aX EAƓ Ua`UW`fdSf[a`e Sf ?Sdk^WTa`W
1.4
● ● ● ●
normalised level

normalised level

normalised level

Ua`ƁVW`UW [`fWdhS^e [` fZW e^abW DaSV Sf fZW ƚƚaXƛ fZWUa`ƁVW`UW [`fWdhS^e fZWUa`UW`fdSf[a`e
UaVW iag^V TW
●
1.2

aX fZSf hSd[ST^W IW [^^gefdSfW fZ[e ba[`f Tk Ua`e[VWd[`Y Zai fZW dW^Sf[a`eZ[b TWfi
●

s 5ZaeW` fa `ad_S^[eW fa fZW TWY[``[`Y aX ƓƑƑƙ-

●
1.1
Tk Zagd VSk [` 8[YgdW ƖƔ FZ[e b^af eZaie fZSf aX EA Ɠ fW`V
1.2 ● ● ●
●
60 ●
1.0 60

8[YgdW ƗƘ @AWSef S`V @A hSd[We i[fZ

ƖƑɔV[ŹWdW`f ^WhW^e
[` fZW aX A IW S^ea fS]W fZW abbadfg`[fk fa
● ● ●

fa TW Z[YZWef Xda_ fZW ɓSe S^ea eZai` [` 8[YgdW S`V Xad Zagde _ad`[`Y
●
concentration (ppb)

concentration (ppb)
1.0 ● ●

s EWf fZW ^[`W i[VfZ fa ƕ S`V fZW 0.8

● ●
1.0 ● ●
● ●
●
●●

k Ɠ Ɣ
● ●
● ● ● ● ●
● ● ●● ● ● ●
0.8 ● ● ●

FaYWfZWd fZWeW b^afe US` ZW^b TWffWd g`VWdefS`V

^[`W fkbW fa ƒ ɓUa`f[`gage ^[`Wɔ- V[ŹWdW`f eagdUW fkbWe 8ad WjS_b^W
● ● ●

b^af fZW e_aafZ ^[`W Tgf b^af S ^[`WSd Ɓf [`efWSV S`V XadUW fZW ^Skagf fa TW S Ɠ Tk Ɠ
0.9 ● ● ● ● ●
● ● ● ●●
50 ● ● ● ● ● ● ●
50 ● ●● ● ● ● ● ●
● ● ● ● ● ● ●

VaWe S eagdUW a`^k eWW_ fa TW bdWeW`f Vgd[`Y iWW]VSke ad i[`fWd _a`fZe WfU ;` fZW
● ● ● ● ● ● ●●
0.6 ●
●● ● ●
● ● ● ● ● ● ● ● ●● ● ●
●
● ● ● ● ● ● ● ● ● ● ● ● ●
0.6 0.8

8[`S^^k iW eZai Zai fa

fZWb^af S Ua`f[`gage Ua^agd eUS^W Xad S fZ[dV ah`Xe\V hSd[
● ● ● ●●● ●
● ● ●
● ●● ●● ● ● ● ● ● ● ● ●

USeW ylab
aX408[YgdW = ƖƔ fZW _adW(ppb)", aTh[age bdWeW`UW alpha40Vgd[`Y _ad`[`Y Zagde Uag^V TW VgW
● ● ●
● ● ● ● ● ● ● ●

J F M A M JTheilSen(mydata, Mon pollutant = "o3", "ozone = 0.01) ● ● ●

● ● ● ● ● ●
●
● ● ● ●●
0 6 12 18 23 J A S O N D Tue Wed Thu Fri Sat Sun

eWff[`Y fZW hS^gW aX z fa fZW fZ[dV hSd[ST^W 8[YgdW Ƙƙ eZaie SYS[` fZW dW^Sf[a`
● ●

fa _WfWada^aY[US^ XSUfade S`V fZ[e baee[T[^[fk eZag^V TW [`hWef[YSfWV S^ea ;` afZWd

●

ƒƔƔ
● ●● ● ● ●● ●
hour month weekday
eWff[`Ye iZWdW fZWdW SdW _S`k eagdUWe fZSf hSdk [` fZW[d eagdUW W_[ee[a` S`V fW_badS^
2000 TWfiWW` 2003 @A k2005S`V @A1998Ɠ Tgf fZ[e f[_W Ua^agdUaVWV Tk fZW Ua`UW`fdSf[a` aX AƔ IW
● ●

X UZSdSUfWd[ef[Ue fZW polarPlot

1998 1999 2001 2002
Xg`Uf[a`
2004
Ea_Wf[_We [f [e geWXg^ fa Ua`e[VWd S egTeWf aX VSfS bWdZSbe Tk WjU^gV[`Y ea_W kWSde
eZag^V bdahW fa TW
1999 2000
hWdk
2001
geWXg^
2002 2003 2004 2005

8[YgdW ƘƓ 7jS_b^W b^af ge[`Y fZW timeVariation Xg`Uf[a` fa b^af @Ak  5A @AƓ S`V A`W [eegW fa TW SiSdW fS]WaXfZW abbadfg`[fk
S_ag`f aX VSfSfa eb^[f fZW VSfS [`fa ea_WeWSea`e
aX fZWeW S`V iWW]VSk!iWW]W`V Tk eW
year year

[e fZW dWcg[dWV fa YW`WdSfW

subset SdW b^afe- bSdf[Ug^Sd^k fZWtype
AƔ Ua`UW`fdSf[a`e Sf ?Sdk^WTa`W DaSV ;` fZ[e b^af fZW Ua`UW`fdSf[a`e Zagd^k = b^afe FZ[e [e WSek i[fZ fZW
;X a`^k S dW^Sf[hW^k
c("season", eZadf f[_W eWd[We
"weekend") Xg`Uf[a` FZW Xa^^ai[`Y UaVW US^Ug^SfWe fdW`Ve Xad kWSde
FZWdW [e S`fZWdW
[e ShS[^ST^W W`ad_age S_ag`f aX [`Xad_Sf[a`
8[YgdW Ɨƙ 7jS_b^We aX fZW smoothTrend Xg`Uf[a` Sbb^[WV fa ?Sdk^WTa`W DaSV
`ad_S^[eWV US` TW YS[`WV Xda_ YdWSfWd fZS` ƒƚƚƚ [ W Xda_ ƓƑƑƑ a`iSdVe
_Sk `af TW egżU[W`f [`Xad_Sf[a` fa bdaVgUW geWXg^ b^afe IZWfZWd fZ[e [e [_badfS`f
b^afe egUZ Se fZ[e 6[ŹWdW`UWe TWfiWW` iWW]VSke S`V fZW iWW]
ad `af i[^^ VWbW`V a` fZW ebWU[ƁU U[dUg_efS`UWe W Y fZW bdWhS^W`UW aX i[`V ebWWVe
US` Z[YZ^[YZf UZS`YWe [` W_[ee[a` eagdUWe eb^[ff[`Y Tk eWSea`e US` eZai eWSea`S^ [
 OpenAir
Herramientas de análisis de datos de Calidad de Aire
0 6 12 18 23 0 6 12 18 23 0 6 12 18 23

Monday Tuesday Wednesday Thursday Friday Saturday Sunday

100

PM10, PM2.5
80

60

40

20
0 6 12 18 23 0 6 12 18 23 0 6 12 18 23 0 6 12 18 23

hour
PM10 PM2.5

70
80
80
70 60

PM10, PM2.5

PM10, PM2.5

PM10, PM2.5
60
60 50
50

40 40 40

30
30
20

0 6 12 18 23 J F M A M J J A S O N D Mon Tue Wed Thu Fri Sat Sun

hour month weekday

mean and 95% confidence interval in mean

120

100

80

PM10, PM2.5
60

40

20

2000 2002 2004 2006 2008 2010 2012

year
PM10 PM2.5

X
 TimeVariation
0 6 12 18 23 0 6 12 18 23 0 6 12 18 23

Monday Tuesday Wednesday Thursday Friday Saturday Sunday

100
PM10, PM2.5

80

60

40

20
0 6 12 18 23 0 6 12 18 23 0 6 12 18 23 0 6 12 18 23

hour
PM10 PM2.5

70
80
80
70 60
PM10, PM2.5

PM10, PM2.5

PM10, PM2.5
60
60 50
50

40 40 40

30
30
20

0 6 12 18 23 J F M A M J J A S O N D Mon Tue Wed Thu Fri Sat Sun

hour month weekday

mean and 95% confidence interval in mean

X
 Theil-Sen
Estimador de tendencia lineal

Theil, H., “A rank invariant method of linear and

polynomial regression analysis. In: i, ii, iii. Proceedings of
the Koninklijke Nederlandse Akademie Weten- schappen.
Series A - mathematical sciences, vol. 53; 1950. 386-392,
521- 525, 1397-1412. 145.

Sen P. K., “Estimates of regression coefficient

based on kendall’s tau”. J Am Stat Assoc
1968; 63:145.

Mann-Kendall significance test

p < 0.01

X
 Theil-Sen
Estimador de tendencias
> TheilSen(Datos, pollutant="PM10", deseason=TRUE) > TheilSen(Datos, pollutant="PM10", deseason=TRUE, slope.percent=TRUE)

-0.87 [-1.23, -0.49] units/year *** -1.2 [-1.65, -0.69] %/year ***
100 100

90 90

80 80
PM10

PM10
70 70

60 60

50 50

2000 2002 2004 2006 2008 2010 2012 2000 2002 2004 2006 2008 2010 2012
year year

Tendencia estadísticamente significativa***. Valor p < 0.001

PM10
Valores disminuyen 1.2% al año

X
 Theil-Sen
Estimador de tendencias
> TheilSen(Datos, pollutant=“PM2.5", deseason=TRUE) > TheilSen(Datos, pollutant=“PM2.5", deseason=TRUE, slope.percent=TRUE)

-0.71 [-0.91, -0.56] units/year *** -2.03 [-2.49, -1.66] %/year ***
50 50

40 40
PM2.5

PM2.5
30 30

20 20

2000 2002 2004 2006 2008 2010 2012 2000 2002 2004 2006 2008 2010 2012
year year

Tendencia estadísticamente significativa***. Valor p < 0.001

PM2.5
Valores disminuyen 2.0% al año

X
 Theil-Sen
Estimador de tendencias
¿Qué ocurre con las tendencias los últimos 3 años de estudio?
1.73 [-2.24, 6.86] %/year -0.18 [-2.92, 2.35] %/year

30
80

28
75

26
70

PM2.5
PM10

24
65
22

60
20

55

2010-01 2010-07 2011-01 2011-07 2012-01 2012-07 2010-01 2010-07 2011-01 2011-07 2012-01 2012-07
year year

PM10 PM2.5 No hay tendencias estadísticamente significativas.

Valor p > 0.1

X
 2.5
2) are approximately three times the average about twice as high as in the cities of Stuttg
g m!3) of all cities listed in the database and are Germany; Região Metropolitana Sao Paulo (15.0
ntrations observed in the cities of Lima Angeles-Long Beach-Santa Ana (14.8 mg m!3)
Ranking OMS
Evaluación de Calidad de Aire

PM10 PM2.5
135 14

Fig. 6. Ranking of concentrations of particulate matter (PM10 and PM2.5) in different cities around the world [25].

X
 Figura 63. Imagen satelital LANDSAT 7 (Arr.Izq). Clasificación de LU/LC (Arr.Der). Información
geográfica de cultivos agrícolas (Ab. Izq). Representación de emisiones de CO proveniente de
quemas agrícolas en Airviro (Ab.Der). ......................................................................................119
Figura 64. Distribución de áreas forestales ingresadas a Airviro, asociada a las emisiones
provenientes de incendios forestales. ......................................................................................123
Figura 65. Área y grilla del modelo WRF con su resolución original (60x60 celdas).
Posteriormente se convirtió la grilla a 360+360 celdas para ser ingresadas a MEGAN............125
Figura 66. Izq. Variación anual (46 períodos de 8 días) de LAI como promedio (tomado del año
2003, base de datos de MEGAN). Sin unidad. Der. Distribución de LAI sobre la RM. Imagen
satelital junio 2012. ...................................................................................................................128
Figura 67: Actividades asociadas a la generación de emisiones de crianza de animales. Imagen
adaptada de EMEP/EEA 2013 Inventory guidebook section 3.B Manure management página 4.
...................................................................................................................................................133
Figura 68: Diagrama de Metodología Transporte Público ........................................................137
Figura 69: Arcos de servicio 401 Ida..........................................................................................138
Figura 70: Cálculo de velocidades promedio por arco. .............................................................139
Informe Final Figura 71: Diagrama de Metodología Transporte Privado en Carretera ..................................142
Figura 72: ventana de Airviro donde se dibujan los Tramos a analizar ....................................143
Figura 73: Ventana de Airviro donde se agrega información correspondiente al tramo. ........143

Estudio “Actualización y Figura 74: Diagrama de la metodología para la estimación de emisiones de maquinaria de
construcción. .............................................................................................................................151
sistematización del inventario de
emisiones de contaminantes EQUIPO DE TRABAJO
atmosféricos en la Región
Jefe de Proyecto: Ernesto Gramsch L.
Metropolitana” Gianni López (Inventarios, emisiones vehiculares)
Lars Gidhagen (Modelación)
David Segersson (Airviro)
Marcela Castillo (Emisiones vehiculares)
Yeanice Vásquez (Compuestos orgánicos volátiles)
Cristina Valverde (Emisiones industriales)
Departamento de Física Ximena Diaz (Emisiones industriales)
Universidad de Santiago de Chile Ernesto Gramsch (Emisiones residenciales)
Matías Tagle (Emisiones biogénicas)
Rodrigo Donoso (Emisiones agrícolas)

Junio 2014

10
 4.1. Resultados del Inventario

Un resumen de todas las emisiones considerado en este trabajo y clasificadas por sector
económico se presenta a continuación en la Tabla 5.

Tabla 5. Resumen de las emisiones totales en la región metropolitana, clasificadas por sector.
Emisiones de Contaminantes [ton/año]
Sector
MP10 MP2,5 NOX SOX HCt COV CO CH4 NH3 CO2

Industria 742 662 4.921 1.990 23 1.139 1.519.714

Residenciales 2.186 2.077 1.785 294 - 53.550 20.292 1.626 193 281.988
Evaporativas 28.424
Agrícolas 205 183 80 15 0 15.031 2.214 88.071 33.395 242.571
*,&
Transporte 2.877 2.398 39.356 239 14.146 125.727 0 2.114 10.401.297
$
Construcción 568 534 5.244 6 1.002 5.423 681.638
Total 6.578 5.854 51.386 2.544 15.148 97.028 154.795 89.697 35.702 13.127.208
*: No se incluyó la resuspensión de polvo en el MP10 o MP2,5 debido a inconsistencias en la información (ver sección 4.1.5)
&
: El MP10 se calculó suponiendo que es 20% más alto que MP2,5, ver sección 4.1.5.
$
: Corresponde a vehículos fuera de ruta utilizados en el sector construcción. Ver sección 4.1.5.

Para cada sector, se presenta a continuación un desglose por rubro, actividad económica
sector geográfico, etc.

4.1.1. Emisiones industriales

El sector industrial se ha separado en fuentes grandes y pequeñas. En el sistema Airviro, las

grandes fuentes se trabajan individualmente y se clasifican como fuentes puntuales, las
fuentes pequeñas se trabajan en grupos y se clasifican como fuentes grupales. Las fuentes
 utilizando la metodología indicada en la sección 6.4. El cálculo para Para MP10 fue realizado
utilizando los factores de emisión de la EPA2. La relación MP10/MP2,5 para incendios forestales
es: 1,11 y la relación MP10/MP2,5 para quemas agrícolas es: 1,18. Utilizando estos factores es
posible obtener las emisiones de MP10 que se indican en la Tabla 9.

4.1.5. Emisiones del transporte

En ruta
Tabla 10.- Emisiones detalladas de los vehículos “en ruta”

Emisiones de Contaminantes [ton/año]

Sector
MP10 MP2,5 NOx SOx HCt HCNM COV CO CH4 NH3 CO2 CC
Transporte público 72 60 4.514 4 158 908 447.739 145.570
3
Trasporte en carretera 338 282 7.589 12 618 7.471 256 1.230.721 385.363
Transporte en vías
principales y 2.467 2.056 27.253 223 13.370 117.348 1.858 8.725.837 2.826.255
secundaria MODEM*
Total 2.877 2.398 39.356 239 14.146 125.727 0 2.114 10.401.297 3.357.188
*: Datos entregados por la contraparte técnica provenientes de simulaciones MODEM 2010

El cálculo de MP10 que se muestra en la Tabla 10 se realizó utilizando factores de emisión de

estudios internacionales4,5, que indican que la relación entre el MP10 y MP2,5 es de ~ 1,2 para
las emisiones en el tubo de escape.

Para el cálculo final de las emisiones de los vehículos “en ruta” se utilizó las emisiones dadas
por la metodología MODEM tal como fue entregada por la contraparte técnica para uso en el
estudio.

En la sección 6.5.1, perteneciente al Anexo 1, se detalla la metodología de un cálculo

alternativo (EDB Adicional) con los resultados de las emisiones del Transporte “en ruta”. Esta
EDB fue calculada de manera adicional por los profesionales encargados del proyecto, siendo
una alternativa y comparación a los resultados que ofrece MODEM. En dicha sección está
explicada de forma clara la metodología.

Se calculó las emisiones de polvo resuspendido (MP2,5) debido al Transporte en ruta utilizando
el procedimiento indicado en el Anexo 1, sección 6.5.1 y los resultados se muestran en la Tabla
11.

2
AP 42 Section 13.1 Wildfires and Prescribed Burning
3
Suma de consumo de diésel y gasolina: 182.237 ton/año de diésel y 203.125 ton/año de gasolina
4
Matthias Ketzela, Gunnar Omstedt, Christer Johansson, Ingo During, Mia Pohjola, Dietmar Oettl, Lars Gidhagen,
 utilizando la metodología indicada en la sección 6.4. El cálculo para Para MP10 fue realizado
utilizando los factores de emisión de la EPA2. La relación MP10/MP2,5 para incendios forestales
es: 1,11 y la relación MP10/MP2,5 para quemas agrícolas es: 1,18. Utilizando estos factores es
posible obtener las emisiones de MP10 que se indican en la Tabla 9.

4.1.5. Emisiones del transporte

En ruta
Tabla 10.- Emisiones detalladas de los vehículos “en ruta”

Emisiones de Contaminantes [ton/año]

Sector
MP10 MP2,5 NOx SOx HCt HCNM COV CO CH4 NH3 CO2 CC
Transporte público Transporte
72 60en otras
4.514vías 4 158 908 447.739 145.570
3
Trasporte en carretera 338 282 7.589 12 618 7.471 256 1.230.721 385.363
Transporte en vías
principales y MODEM2.467 2.056 27.253 223 13.370 117.348 1.858 8.725.837 2.826.255
En esta
secundaria categoría se ingresaron a Airviro las emisiones georreferenciadas de utilizando la
MODEM*
Total metodología MODEM y que ha
2.877 2.398 sido calculado
39.356 por SECTRA (Información
239 14.146 125.727 0entregada por SECTRA
2.114 10.401.297 3.357.188

¿?
proveniente
*: de simulaciones
Datos entregados MODEM
por la contraparte 2010). Se de
técnica provenientes subió la información
simulaciones de todos
los vehículos
MODEM 2010
exceptuando la información de buses de Transantiago y de autopistas concesionadas.
El cálculo de MP10 que se muestra en la Tabla 10 se realizó utilizando factores de emisión de
4,5
estudiosCálculo alternativo
internacionales ,aque
MODEM
indican que la relación entre el MP10 y MP2,5 es de ~ 1,2 para
Como
las alternativa
emisiones en elatubo
la metodología
de escape. MODEM, se facilita información sobre las emisiones del
transporte en otras vías (excluyendo Transantiago y autopistas concesionadas). Este cálculo
Para el cálculo final de las emisiones de los vehículos “en ruta” se utilizó las emisiones dadas
fue realizado por los profesionales encargados del proyecto y representa una manera más
por la metodología MODEM tal como fue entregada por la contraparte técnica para uso en el
sencilla de cálculo de las emisiones del transporte.
estudio.
Los resultados de este cálculo se muestran en la Tabla 97.
En la sección 6.5.1, perteneciente al Anexo 1, se detalla la metodología de un cálculo
Tabla 97. EDB
alternativo Adicional
(EDB Adicional) con los resultados de las emisiones del Transporte “en ruta”. Esta
EDB fue calculada deEmisiones
manera adicional por los profesionales encargados del proyecto, siendo
de Contaminantes [ton/año]
Sector
una alternativa y comparación a los resultados que ofrece MODEM. En dicha sección está
explicada de forma
MP10clara
MP2,5la metodología.
NOx SOx HCt HCNM COV CO CH4 NH3 CO2 CC
Transporte en vías las emisiones de polvo resuspendido (MP ) debido al Transporte en ruta utilizando
Se calculó 2,5 38
principales y 618 618 14.722 47 2.770 36.245 18 4.362.258 1.550.559
el procedimiento indicado en el Anexo 1, sección 6.5.1 y los resultados se muestran en la Tabla
secundaria ADICIONAL
11.

La metodología para la estimación de emisiones de esta categoría es la siguiente:

LaAPestimación
2 de emisiones en otras vías se realizó con la información de ventas de
42 Section 13.1 Wildfires and Prescribed Burning
3
combustible y consumo
Suma de consumo de diésel yde combustibles
gasolina: del transporte
182.237 ton/año públicoton/año
de diésel y 203.125 y en carretera.
de gasolina
4
Matthias Ketzela, Gunnar Omstedt, Christer Johansson, Ingo During, Mia Pohjola, Dietmar Oettl, Lars Gidhagen,
 facilitado por la SEREMI
encontrar su factor de emisión y realizar los cálculos de manera precisa. Por lo tanto para este
tipo de contaminantes no se pudo utilizar la base de datos “Ffijas” facilitada por la Seremi de
Salud 2012 y rellenar los resultados para cada fuente ya que esta se refería solo a MP.
“Otros procesos”
Tabla 21 Comparación Inventarios Sector Industrial Dictuc 2005 versus USACH 2013.

Dentro del grupo denominado FuentesEmisiones

Sector Industriales Grupales,
de Contaminantes hay un grupo llamado Otros
[ton/año]
Industrial MP10 MP2,5 NO
Procesos el cual, debido a su gran variedad en procesos, xno ha sido viable SOx su estudio detallado.
CO
DICTUC DICTUC DICTUC DICTUC DICTUC
USACH´13 USACH´13 USACH´13 USACH´13 USACH´13
Por lo tanto, se ha tomado
´05 en cuenta
´05 la emisión de ´05MP 10 que fue´05 entregada por ´05
la SEREMI de
Generación
Salud. Eléctrica 119 45 643 1.149
Calderas Industriales 193,4 69 154,3 54 4.065 1.268 3.062 754 1634 260
Calderas de Nº
147 75 130 FUENTES
29 2.506 3.074 545
487 3 1466 89
Calefacción
Grupos electrógenos 51,19 34EMISIÓN
44 PM1019Ton/año
777 246,4 3799
275 19
Productos minerales 156 91 97 80 3.740 1.435 1.910 1.108 984 302
Alimentos y
EsteAgricultura
grupo presenta18un total32de 3.074
5 fuentes
29 registradas,
240 cuya emisión
SD 0 enSDMP10 es SD11 de
0 un total
Ton/año. Se186
246,4 Siderúrgicos
Procesos 115
han desagregado165 dichas
96 fuentes,
59 agrupando
10 287
las queSDpresentan
116 procesos
422
Otras actividades
similares para ver cuántas
81 86
son y cuánto
65
aportan
86
en emisión
817 297
respecto
116
a107la emisión
200
total
66
del
industriales puntuales
grupo. Los resultados están descritos en la tabla a continuación:
Tabla 52. Emisiones
4.4.2. Emisiones residenciales
PM10 estimadas por la SEREMI de Salud.

Nº EMISIÓN MP10 % Respecto

FUENTES
Las principales SIMILARES
diferencias para las emisiones residenciales radica en la diferente metodología
FUENTES Ton/año del grupo
escogida, para el caso de solventes de uso doméstico se utilizó los factores de emisión
HORNOS
reportados PANIFICADORES
por la EPA, 1.559se desconoce15
y para el caso de DICTUC la metodología ya6%que no fue
reportada en el informe.
CABINA PINTURAPara las siguientes dos
250subcategorías la diferencia
40 es debido
16%a que el
HORNOS PINTURA 101 6 2%
RESTO HORNOS 519 47,3 19%
MOLINOS 47 12,9 5%
11
SD: Sin Datos, en ninguna de las bases disponibles se encontraron datos para realizar el cálculo para
estos contaminantesSECADOR 70 15 6%
SISTEMAS EXTRACCIÓN 56 12 5%
Total 2.602 148,2 60%
65

93
 6.2.3 Consumo de leña en la Región Metropolitana

Tabla 61. Consumo total de leña (kg/año) en todos los equipos (fuente: Estudio CDT 2012)

Doble
Salamandras Simple Chimenea Pellet Otros Cocina Total (kg/año)
cámara
Alhué 162.255 646.687 808.942

Buín 2.469.377 225.210 943.444 1.324.944 4.962.975

Calera de
tango 334.580 2.106.437 2.441.017
Cerrillos 7.497 8.838 143.988 9.120 169.443
Cerro Navia 192.925 158.902 107.848 1.108.699 1.568.375
Doble
Colina Salamandras
1.156.613 Simple
259.678 728.364 Chimenea Pellet Otros Cocina
5.451.633 Total (kg/año)
7.596.287
cámara
Conchalí 50.317 685.797 104.389 840.503
Curacaví 643.089 2.671.380 1.090.619 995.904 995.400.992
El Bosque 33.576 72.366 1.558.888 47.566 1.712.397
El Monte 467.466 996.228 245.093 174.857 1.883.643
Estación
Central 0
Huechuraba 135.110 59.000 2.025.686 2.219.796
Independencia 10.231 185.083 31.622 226.936
Isla de Maipo 3.438.536 230.790 1.610.205 5.279.531
La Cisterna 97.830 79.084 1.091.921 211.402 1.480.237
La Florida 108.000 2.217.960 571.500 108.711 3.006.171
La Granja 38.000 25.449 672.966 736.415
La Pintana 9.959 25.074 315.648 350.681
La Reina 27.651 1.226.705 360.906 107.765 93.900 1.816.926
Lampa 7.984.876 5.518.681 1.807.092 15.310.648
Las Condes 195.000 105.560 3.996.415 1.243.364 503.446 6.043.785
Lo Barnechea 1.310.050 1.609.565 83.300 3.002.915
Lo Espejo 32.400 60.890 745.065 838.355
Lo Prado 186.491 36.660 584.001 32.476 839.628
Macul 26.557 71.089 452.752 130.642 681.039
Maipú 2.983.591 963.277 1.917.164 5.864.031
María Pinto 187.704 2.078.974 901.092 191.394 3.359.164
Melipilla 5.773.588 837.774 17.939.611 24.550.973
Ñuñoa 30.199 673.262 106.889 29.750 840.100
Pedro Aguirre
C. 29.735 17.220 199.075 31.861 277.891
Padre Hurtado 367.279 741.664 3.174.977 4.283.921
Lo Espejo 32.400 60.890 745.065 838.355
Lo Prado 186.491 36.660 584.001 32.476 839.628
Macul
6.2.3 Consumo
26.557
de leña en la452.752
71.089
Región Metropolitana
130.642 681.039
Maipú 2.983.591 963.277 1.917.164 5.864.031
Tabla 61. Consumo
María Pinto total de leña (kg/año)
187.704 en todos
2.078.974 los equipos (fuente: Estudio CDT
901.092 2012)
191.394 3.359.164
Melipilla 5.773.588 837.774 17.939.611
Doble 24.550.973
Salamandras Simple Chimenea Pellet Otros Cocina Total (kg/año)
Ñuñoa 30.199 cámara
673.262 106.889 29.750 840.100
Pedro Aguirre
Alhué 162.255 646.687 808.942
C. 29.735 17.220 199.075 31.861 277.891
Buín
Padre Hurtado 2.469.377
367.279 225.210
741.664 943.444
3.174.977 1.324.944 4.962.975
4.283.921
Calera de
Paine
tango 1.524.914
334.580 86.407 3.185.229
2.106.437 4.796.550
2.441.017
Peñaflor
Cerrillos 884.541
7.497 138.942
8.838 2.117.436
143.988 9.120 3.140.919
169.443
Peñalolén
Cerro Navia 23.077
192.925 155.411
158.902 818.464 111.456
107.848 55.500 1.108.699 1.163.907
1.568.375
Pirque
Colina 1.971.923
1.156.613 112.134
259.678 289.220
728.364 5.451.633 2.373.277
7.596.287
Providencia 0
Pudahuel 1.016.491 169.741 206.171 780.006 992.172.410
Puente Alto 767.005 5.780.365 300.242 6.847.613
Quilicura 52.581 63.000 752.568 94.154 962.302
Quinta Normal 260.340 273.952 58.537 860.950 1.453.778
Recoleta 14.400 45.310 639.360 699.069
Renca 52.556 80.721 1.352.285 1.485.561
San Bernardo 29.700 39.600 1.018.690 75.900 1.163.890
San Joaquín 28.761 67.143 506.445 53.831 656.179
Doble
S. J. de Maipo Salamandras
4.612.138 Simple
991.928 cámara
Chimenea Pellet Otros Cocina Total (kg/año)
5.604.066

San Miguel 110.400 38.102 1.032.294 279.451 24.000 1.484.247

San Pedro 81.058 524.003 1.166.617 698.758 349.249 100 2.819.685
San Ramón 109.324 77.573 713.218 900.114
Santiago 197.493 79.399 1.115.504 603.558 1.995.954
Talagante 6.815.858 708.798 4.007.999 359.667 11.892.322
Til Til 1.853.522 756.000 1.077.280 429.917 2.410.289 3.151.350 9.678.357
Vitacura 830.592 114.492 134.919 118.647 1.198.649
Total 47.903.160 9.380.091 85.385.201 7.988.147 964.091 2.706.135 16.555.743 170.882.568
Fracción 28,0% 5,5% 50,0% 4,7% 0,6% 1,6% 9,7%

6.2.4 Número de equipos de leña en la Región Metropolitana

Tabla 62. Cantidad de equipos que usan leña, por comuna y por tipo.

Doble
Salamandras Simples Chimeneas Pellet Otros Cocina Total
cámara
 Rough Draft, in preparation

EPISODIOS AGUDOS DE CONTAMINACION ATMOSFERICA

URBANA EN EL DESIERTO DE ATACAMA, CHILE
Richard Toro-Araya1, Claudio H. González-Rojas2, Luis Morales-Salinas3 and Manuel
Leiva-Guzman1
1
Centro de Ciencias Ambientales, Facultad de Ciencias, Universidad de Chile,
RM, Casilla 653, Phone 56-2-29787370, Santiago, Chile
2
Departamento de Química, Facultad de Ciencias, Universidad de Tarapacá, Avda. Velásquez 1775,
XV Región, Casilla 6-D, Fono: 56-58-205459 Fax: 56-58-205424, Arica, Chile
3
Departamento de Recursos Naturales Renovables, Facultad de Ciencias Agrarias, Universidad de
Chile, Avda. Santa Rosa 11315, Casilla 1004, La Pintana, Santiago

ABSTRACT

Keywords: atmospheric pollution, MP10, SO2, Calama, Norte de Chile

INTRODUCTION

Calama es una ciudad del Norte Grande de Chile, capital de la Provincia de El Loa y de la
comuna del mismo nombre, en la Región de Antofagasta. Calama tiene una superficie de 15.6
km2, una temperatura media de 23°C, con gran oscilación térmica entre el día y la noche, con
viento W predominante de 35 km/h y 10% humedad relativa. La ciudad de Calama ubicada en
22.26° S y 68.93°W y 2260 msnm, conforma el enclave urbano cercano a la zona minera más
Proyecto Mina Ministro Hales (MMH), División Codelco Norte (DCN).
 Estación Calama Centro

Año Criterio PM10 PM2.5 CO NO2 O3 SO2

2013 Promedio Anual 51.9 15.2 0.3 32.9 34.0 3.6

Max promedio 24-h 153.6 33.5 2.1 64.1 102.9 32.1
Percentil 98 / 99 96.9 24.6 1.1 59.9 48.7 16.8
2014 Promedio Anual 47.7 13.9 0.3 29.8 29.7 2.0
Max promedio 24-h 220.5 48.0 3.0 73.9 50.7 11.7
  Percentil 98 / 99 90.9 32.9 1.1 63.3 48.2 8.7

PM10 PM25 CO NO2 O3 SO2

Norma
ug/m3 ug/m3 ppm ppb ppb ppb
Anual 50 20 53 31
Diaria 24h 150 50 96
8h 9 61
1h     26 213    
 Estación Calama Centro 2013-2014
Calama Centro 2013-2014
0 6 12 18 23 0 6 12 18 23 0 6 12 18 23

Monday Tuesday Wednesday Thursday Friday Saturday Sunday

40
O3, NO, NO2

30

20

10

0 6 12 18 23 0 6 12 18 23 0 6 12 18 23 0 6 12 18 23

hour
O3 NO NO2

25

30 25
20
25
O3, NO, NO2

O3, NO, NO2

O3, NO, NO2

20
20
15
15
15

10 10 10

5
5 5

0 6 12 18 23 J F M A M J J A S O N D Mon Tue Wed Thu Fri Sat Sun

hour month weekday

mean and 95% confidence interval in mean
 Estación Calama Centro 2013-2014
Calama Centro 2013-2014
0 6 12 18 23 0 6 12 18 23 0 6 12 18 23

Monday Tuesday Wednesday Thursday Friday Saturday Sunday

normalised level

0 6 12 18 23 0 6 12 18 23 0 6 12 18 23 0 6 12 18 23

hour

CO SO2

4
1.3
2.0

1.2
normalised level

normalised level

normalised level
3
1.5
1.1

2
1.0
1.0

0.9
1
0.5 0.8

0 6 12 18 23 J F M A M J J A S O N D Mon Tue Wed Thu Fri Sat Sun

hour month weekday

mean and 95% confidence interval in mean
 Calama Centro 2013-2014
Autumn Spring
mean
N N
10 10

8 8

6 ws 6 ws
22

4 4

2 2 20
W E W E

18

16

S S
14
Summer Winter
N N
10 10

8 8 12

6 ws 6 ws

4 4 10
2 2
W E W E
8

S S PM2.5
 Calama Centro 2013-2014
Autumn Spring
mean
10 N 10 N

8 8

6 ws 6 ws

4 4 5

2 2
W E W E

3
S S
Summer Winter
10 N 10 N

8 8
2
6 ws 6 ws

4 4

2 2
W E W E
1

S S SO2
 Calama Centro 2013-2014
daylight nighttime mean
10 N 10 N

8 8
6
6 ws 6 ws
5
4 4

2 2 4
W E W E

S S SO2