Publicación:
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia

Vista sencilla de ítem
dc.contributor.authorLondoño Ciro, Libardo Antoniospa
dc.contributor.authorCañón Barriga, Julio Eduardospa
dc.date.accessioned2018-11-26 00:00:00
dc.date.accessioned2022-06-17T20:19:49Z
dc.date.available2018-11-26 00:00:00
dc.date.available2022-06-17T20:19:49Z
dc.date.issued2018-11-26
dc.description.abstractSe propone una metodología para caracterizar espacio temporalmente la concentración de PM2.5 que integra interpolación espacial, estadística espacial y econometría. Se implementa con sistemas de información geográfica y datos de concentración promedia mensual de PM2.5, temperatura y velocidad del viento; medidos en 8 sitios de monitoreo durante 2013-2014 en la ciudad de Medellín. Primero se hace una caracterización espacial multivariada de PM2.5 con regresiones geográficamente ponderadas (GWR) y luego la caracterización temporal con algoritmos econométricos. El modelo con variables explicativas temperatura, gradiente espacial del viento, dominio espacial de PM2.5 calculado con GWR y la concentración de PM2.5; con un rezago de orden 1; explica en un 87% la variabilidad de PM2.5. El desempeño de los algoritmos se calcula con validación cruzada. Finalmente se ajustan los mapas de caracterización espacio-temporal con un modelo de proximidad espacial que usa la distancia a fuentes de emisión y de mitigación de PM2.5spa
dc.description.abstractSe propone una metodología para caracterizar espacio temporalmente la concentración de PM2.5 que integra interpolación espacial, estadística espacial y econometría. Se implementa con sistemas de información geográfica y datos de concentración promedia mensual de PM2.5, temperatura y velocidad del viento; medidos en 8 sitios de monitoreo durante 2013-2014 en la ciudad de Medellín. Primero se hace una caracterización espacial multivariada de PM2.5 con regresiones geográficamente ponderadas (GWR) y luego la caracterización temporal con algoritmos econométricos. El modelo con variables explicativas temperatura, gradiente espacial del viento, dominio espacial de PM2.5 calculado con GWR y la concentración de PM2.5; con un rezago de orden 1; explica en un 87% la variabilidad de PM2.5. El desempeño de los algoritmos se calcula con validación cruzada. Finalmente se ajustan los mapas de caracterización espacio-temporal con un modelo de proximidad espacial que usa la distancia a fuentes de emisión y de mitigación de PM2.5eng
dc.format.mimetypeapplication/pdfspa
dc.identifier.doi10.24050/reia.v15i30.1217
dc.identifier.eissn2463-0950
dc.identifier.issn1794-1237
dc.identifier.urihttps://repository.eia.edu.co/handle/11190/5035
dc.identifier.urlhttps://doi.org/10.24050/reia.v15i30.1217
dc.language.isospaspa
dc.publisherFondo Editorial EIA - Universidad EIAspa
dc.relation.bitstreamhttps://revistas.eia.edu.co/index.php/reveia/article/download/1217/1192
dc.relation.citationeditionNúm. 30 , Año 2018spa
dc.relation.citationendpage132
dc.relation.citationissue30spa
dc.relation.citationstartpage113
dc.relation.citationvolume15spa
dc.relation.ispartofjournalRevista EIAspa
dc.relation.referencesAlam, M., & McNabola, A. (2015). Exploring the modeling of spatiotemporal variations in ambient air pollution within the land use regression framework: Estimation of PM10 concentrations on a daily basis. J. Air Waste Manag. Assoc, 65, 628–640.spa
dc.relation.referencesChen, L., Bai, Z., Kong, S., Han, B., You, Y., Ding, X., y otros. (2010). A land use regression for predicting NO2 and PM10 concentrations in different seasons in Tianjin region, China. J. Environ. Sci, 22, 1364–1373.spa
dc.relation.referencesDeligiorgi, D., & Philippopoulos, K. (2011). Spatial Interpolation Methodologies in Urban Air Pollution Modeling: Application for the Greater Area of Metropolitan Athens, Greece, Advanced Air Pollution. Athens: Dr. Farhad Nejadkoorki.spa
dc.relation.referencesDickey, D., & Fuller, W. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association, 74, 427-431. Diebold, F. (1971). Elements of Forecasting, 2a. ed. South Western.spa
dc.relation.referencesDons, E., Van Poppe, M., Panis, L., De Prins, S., Berghmans, P., Koppen, G., y otros. (2014). Land use regression models as a tool for short, medium and long term exposure to traffic related air pollution. Science of The Total Environment, 476–477, 378-386.spa
dc.relation.referencesFotheringham, A., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Chichester: John Wiley & Sons, Ltd.spa
dc.relation.referencesFrees E. W. Longitudinal and Panel Data: Analysis and Applications in the Social Sciences, Cambridge University Press, Nueva York, 2004.spa
dc.relation.referencesGass, S., & Fu, M. (2013). Saaty, T. Analytic Hierarchy Process Encyclopedia of Operations Research and Management Science. Springer.spa
dc.relation.referencesGoyal, P., Chan, A., & Jaiswal, N. (2006). Statistical models for the prediction of respirable suspended particulate matter in urban cities. Atmos. Environ, 40, 2068–2077.spa
dc.relation.referencesGranger, C. (1969). Investigating Causal Relations by Econometric Models and Cross-Spectral Methods. Econometrica, 424-438.spa
dc.relation.referencesLee, M., Brauer, M., Wong, P., Tang, R., Tsui, T., Choi, C., y otros. (2017). Land use regression modelling of air pollution in high density high rise cities: A case study in Hong Kong. Science of the Total Environment, 592, 306–315.spa
dc.relation.referencesLi., J., & Heap., D. (2014). Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling & Software, 53, 173 – 189.spa
dc.relation.referencesLiu, B., Wu, J., Zhang, J., Wang, L., Yang, J., Liang, D., y otros. (2017). Characterization and source apportionment of PM2.5 based on error estimation from EPA PMF 5.0 model at a medium city in China. Environmental Pollution, 222, 10-22.spa
dc.relation.referencesLondoño, L., & Cañon, J. (2015). Metodología para la aplicación de modelos de regresión de usos del suelo en la estimación local de la concentración mensual de pm10 en Medellín – Colombia. Revista Politécnica, 11(21), 29-40.spa
dc.relation.referencesLondoño, L., Cañón, J., & Giraldo, J. (2017). Modelo de proximidad espacial para definir sitios de muestreo en redes urbanas de calidad de aire. Revista Facultad Nacional de Salud Pública, 35(1), 111-122.spa
dc.relation.referencesLondoño, L., Cañón, J., Villada, R., & López, L. (2015). Caracterización espacial de PM10 en la ciudad de Medellín mediante modelos geoestadísticos. Revista Ingenierías USBMED, 6(2), 26-35.spa
dc.relation.referencesMinAmbiente (2017). Contaminación Atmosférica en Colombia. Recuperado el 23 de agosto de 2017, de Ministerio de Ambiente y Desarrollo Sostenible: http://www.minambiente.gov.co/index.php/component/content/article/1801-plantilla-#1-1-normativaspa
dc.relation.referencesPaschalidou, A., Karakitsios, S., Kleanthous, S., & Kassomenos, P. (2011). Forecasting hourly PM10 concentration in Cyprus through artificial neural networks and multiple regression models: Implications to local environmental management. Environ. Sci. Pollut. Res, 18, 316-327.spa
dc.relation.referencesPilsung, K. (2013). Locally linear reconstruction based missing value imputation for supervised learning. Neurocomputing, 118, 65-78.spa
dc.relation.referencesRamsay, J., Ramsay, T., & Sangalli, L. (2011). Spatial functional data analysis. Recent Advances in Functional Data Analysis and related topics. (págs. 269-275). Springer.spa
dc.relation.referencesRedAire. (2015). Laboratorio de Calidad del Aire (CALAIRE). Universidad Nacional de Colombia Sede Medellín, Facultad de Minas. Medellin, Colombia.spa
dc.relation.referencesŞahin, Ü., Bayat, C., & Uçan, O. (2011). Application of cellular neural network (CNN) to the prediction of missing air pollutant data. Atmospheric Research, 101(1–2), 314-326.spa
dc.relation.referencesSangalli, L., Ramsay, J., & Ramsay, T. (2013). Spatial splines regressions models. J. Roy. Statisc. Soc. Ser. B, 75, 681-803.spa
dc.relation.referencesSanhueza, P., Torreblanca, M., Diaz-Robles, L., Schiappacasse, L., Silva, M., & Astete, T. (2009). Particulate air pollution and health effects for cardiovascular and respiratory causes in Temuco, Chile: A wood-smoke-polluted urban area. J. Air Wate Manag. Assoc., 59, 1481-1488.spa
dc.relation.referencesSayegh, A., Munir, S., & Habeebullah, T. (2014). Comparing the performance of statistical models for predicting PM10 concentrations. Aerosol and Air Quality Research, 14(3), 653 - 665.spa
dc.relation.referencesScott, L., Rosenshein, L., & Janikas, M. (2011). Modeling Spatial Relationships using Regression Analysis. ESRI International User Conference. Technical Workshops. San Diego, CA.spa
dc.relation.referencesShahraiyni, H., & Sodoudi, S. (2016). Statistical Modeling Approaches for PM10 Prediction in Urban Areas; A Review of 21st-Century Studies. Atmosphere, 7(2)(15). SIATA. (2016). Sistema de Alerta Temprana de Medellín y el Valle de Aburrá. Sistema de Alerta Temprana de Medellín y el Valle de Aburrá. Medellín, Colombia.spa
dc.relation.referencesSingh, N., Murari, V., Kumar, M., Barman, S., & Banerjee, T. (2017). Fine particulates over South Asia: Review and meta-analysis of PM2.5 source apportionment through receptor model. Environmental Pollution, 223, 121-136.spa
dc.relation.referencesStadlober, E., Hörmann, S., & Pfeiler, B. (2008). Quality and performance of a PM10 daily forecasting model. Atmos. Environ, 42, 1098–1109.spa
dc.relation.referencesTaheri Shahraiyni, H., Sodoudi, S., Cubasch, U., & Kerschbaumer, A. (2015). The influence of the plants on the decrease of air pollutants (Case study: Particulate matter in Berlin). In Presented at the Euro-American Conference for Academic Disciplines. Paris, France.spa
dc.relation.referencesTaheri, H., & Sodoudi, S. (2016). Statistical Modeling Approaches for PM10 Prediction in Urban Areas; A Review of 21st-Century Studies. Atmosphere, 7(15).spa
dc.relation.referencesWang, P., Zhang, H., Qin, Z., & Zhang, G. (2017). A novel hybrid-Garch model based on ARIMA and SVM for PM2.5 concentrations forecasting. Atmospheric Pollution Research, In Press, Corrected Proof.spa
dc.relation.referencesWiener, N. (1956). The Theory of Prediction. Modern Mathematics for Engineers. New York: McGraw-Hill.spa
dc.relation.referencesWoolridge, J. (2002). Econometric Analysis of Cross Section and Panel Data. Massachusetts: MIT Press.spa
dc.relation.referencesZhang, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175.spa
dc.rightsRevista EIA - 2018spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-sa/4.0/spa
dc.sourcehttps://revistas.eia.edu.co/index.php/reveia/article/view/1217spa
dc.subjectContaminación del Airespa
dc.subjectAnálisis Espacialspa
dc.subjectRegresión Geográficamente Ponderadaspa
dc.subjectModelos Autorregresivos de Rezago Distribuidospa
dc.subjectAnálisis Espacialspa
dc.titleMetodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombiaspa
dc.title.translatedMetodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombiaeng
dc.typeArtículo de revistaspa
dc.typeJournal articleeng
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarhttp://purl.org/coar/resource_type/c_6501spa
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85spa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/articlespa
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTREFspa
dc.type.versioninfo:eu-repo/semantics/publishedVersionspa
dspace.entity.typePublication
Archivos
Colecciones
Revista EIA (Portal de Revistas)