Publicación: Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia
dc.contributor.author | Londoño Ciro, Libardo Antonio | spa |
dc.contributor.author | Cañón Barriga, Julio Eduardo | spa |
dc.date.accessioned | 2018-11-26 00:00:00 | |
dc.date.accessioned | 2022-06-17T20:19:49Z | |
dc.date.available | 2018-11-26 00:00:00 | |
dc.date.available | 2022-06-17T20:19:49Z | |
dc.date.issued | 2018-11-26 | |
dc.description.abstract | Se 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 PM2.5 | spa |
dc.description.abstract | Se 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 PM2.5 | eng |
dc.format.mimetype | application/pdf | spa |
dc.identifier.doi | 10.24050/reia.v15i30.1217 | |
dc.identifier.eissn | 2463-0950 | |
dc.identifier.issn | 1794-1237 | |
dc.identifier.uri | https://repository.eia.edu.co/handle/11190/5035 | |
dc.identifier.url | https://doi.org/10.24050/reia.v15i30.1217 | |
dc.language.iso | spa | spa |
dc.publisher | Fondo Editorial EIA - Universidad EIA | spa |
dc.relation.bitstream | https://revistas.eia.edu.co/index.php/reveia/article/download/1217/1192 | |
dc.relation.citationedition | Núm. 30 , Año 2018 | spa |
dc.relation.citationendpage | 132 | |
dc.relation.citationissue | 30 | spa |
dc.relation.citationstartpage | 113 | |
dc.relation.citationvolume | 15 | spa |
dc.relation.ispartofjournal | Revista EIA | spa |
dc.relation.references | Alam, 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.references | Chen, 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.references | Deligiorgi, 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.references | Dickey, 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.references | Dons, 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.references | Fotheringham, A., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Chichester: John Wiley & Sons, Ltd. | spa |
dc.relation.references | Frees E. W. Longitudinal and Panel Data: Analysis and Applications in the Social Sciences, Cambridge University Press, Nueva York, 2004. | spa |
dc.relation.references | Gass, S., & Fu, M. (2013). Saaty, T. Analytic Hierarchy Process Encyclopedia of Operations Research and Management Science. Springer. | spa |
dc.relation.references | Goyal, 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.references | Granger, C. (1969). Investigating Causal Relations by Econometric Models and Cross-Spectral Methods. Econometrica, 424-438. | spa |
dc.relation.references | Lee, 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.references | Li., J., & Heap., D. (2014). Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling & Software, 53, 173 – 189. | spa |
dc.relation.references | Liu, 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.references | Londoño, 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.references | Londoño, 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.references | Londoño, 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.references | MinAmbiente (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-normativa | spa |
dc.relation.references | Paschalidou, 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.references | Pilsung, K. (2013). Locally linear reconstruction based missing value imputation for supervised learning. Neurocomputing, 118, 65-78. | spa |
dc.relation.references | Ramsay, 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.references | RedAire. (2015). Laboratorio de Calidad del Aire (CALAIRE). Universidad Nacional de Colombia Sede Medellín, Facultad de Minas. Medellin, Colombia. | spa |
dc.relation.references | Şahin, 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.references | Sangalli, L., Ramsay, J., & Ramsay, T. (2013). Spatial splines regressions models. J. Roy. Statisc. Soc. Ser. B, 75, 681-803. | spa |
dc.relation.references | Sanhueza, 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.references | Sayegh, 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.references | Scott, L., Rosenshein, L., & Janikas, M. (2011). Modeling Spatial Relationships using Regression Analysis. ESRI International User Conference. Technical Workshops. San Diego, CA. | spa |
dc.relation.references | Shahraiyni, 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.references | Singh, 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.references | Stadlober, E., Hörmann, S., & Pfeiler, B. (2008). Quality and performance of a PM10 daily forecasting model. Atmos. Environ, 42, 1098–1109. | spa |
dc.relation.references | Taheri 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.references | Taheri, 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.references | Wang, 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.references | Wiener, N. (1956). The Theory of Prediction. Modern Mathematics for Engineers. New York: McGraw-Hill. | spa |
dc.relation.references | Woolridge, J. (2002). Econometric Analysis of Cross Section and Panel Data. Massachusetts: MIT Press. | spa |
dc.relation.references | Zhang, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175. | spa |
dc.rights | Revista EIA - 2018 | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | spa |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | spa |
dc.source | https://revistas.eia.edu.co/index.php/reveia/article/view/1217 | spa |
dc.subject | Contaminación del Aire | spa |
dc.subject | Análisis Espacial | spa |
dc.subject | Regresión Geográficamente Ponderada | spa |
dc.subject | Modelos Autorregresivos de Rezago Distribuido | spa |
dc.subject | Análisis Espacial | spa |
dc.title | Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia | spa |
dc.title.translated | Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia | eng |
dc.type | Artículo de revista | spa |
dc.type | Journal article | eng |
dc.type.coar | http://purl.org/coar/resource_type/c_6501 | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_6501 | spa |
dc.type.coarversion | http://purl.org/coar/version/c_970fb48d4fbd8a85 | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/article | spa |
dc.type.redcol | http://purl.org/redcol/resource_type/ARTREF | spa |
dc.type.version | info:eu-repo/semantics/publishedVersion | spa |
dspace.entity.type | Publication |