Modelo Mesoescala WRF Modelo Calpuff

ACOPLAMIENTO DEL MODELO DE MESOESCALA WRF AL
MODELO DE CALIDAD DEL AIRE CALPUFF

Miguel Eduardo Rincon De Hoyos
Universidad Nacional de Colombia
Facultad de Ciencias, Departamento de Geociencias
Bogota, Colombia
Enero 2012
ACOPLAMIENTO DEL MODELO DE MESOESCALA WRF AL
MODELO DE CALIDAD DEL AIRE CALPUFF
Miguel Eduardo Rincon De Hoyos
Tesis como requisito parcial para optar al ttulo de:
Magister en Meteorologa
Director:
Ph.D. Nestor Yesid Rojas Roa
Lnea de Investigacion:
Calidad del aire
Grupo de Investigacion:
Grupo de Calidad del aire
Universidad Nacional de Colombia
Facultad de Ciencias, Departamento de Fsica
Bogota, Colombia
Enero 2012
Dedico este trabajo a mi familia.
Agradecimientos
Gloria, Nestor y demas son los nombres que hicieron esto posible
ix
Resumen
En este trabajo se evalu o el desempe no del modelo Calpu alimentado a traves del pa-
quete de pronostico de Calmet, tomando como condiciones iniciales los resultados del WRF.
Para este n, se propuso un conjunto de casos modicando algunas parametrizaciones y un
triple anidado de dos vas con resoluciones de 30km, 10km y 3.3km, seleccionando a traves de
un analisis estadstico (menor sesgo, menor desviaci on standard)con la herramienta AMET
(Atmospheric Meteorologic Model Tool) el caso que mejor concordancia presentara. El mo-
delo logro resolver el comportamiento diurno del contaminantes PM
10
en algunos horas de
la simulacion, sin embargo, en algunos horas el modelo sobreestimo y subestim o los niveles
de contaminaci on debido a la resolucion errada de la capa de mezcla. Aunque nalmente el
modelo logr o resolver las zonas m as contaminadas del dominio que se simul o, concluyendo
que en una primera aproximaci on el modelo tuvo un comportamiento cercano a los valores
reales.
Palabras clave: Modelizacion, inventario de emisiones, WRF, Calpu, Calmet.
Abstract
This study evaluated the performance of Calpu powered via Calmet forecasting packa-
ge, taking as initial conditions the results of WRF. To this end, proposed a set of cases
subject to some settings and a triple with two-way nested resolutions of 30km, 10km and
3.3km, selecting through a statistical analysis (lower bias, lower standard deviation) with
AMET tool (Atmospheric Meteorological Model Tool) the case that better agreement sub-
mitted. The model successfully solve the diurnal behavior of contaminants PM
10
in a few
hours simulation, however, in some hours the model overestimated and underestimated the
levels of pollution due to wrong resolution of the mixed layer. Although nally achievement
model to solve the most polluted areas of the domain was simulated, concluding that in a
rst approximation model had a behavior close to the actual values..
Modelling, Inventory emissions, WRF, Calpu, Calmet.
Contenido
Agradecimientos VII
Resumen IX
1. Introduccion 1
1.1. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Objetivo general . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.2. Objetivos especcos . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Sistema de modelizaci on Calpu . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.3. Contaminacion del aire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1. Fuentes de contaminantes . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2. Contaminantes del aire . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.3. Clasicaci on de contaminantes gaseosos . . . . . . . . . . . . . . . . . 7
1.3.4. Clasicaci on de partculas atmosfericas . . . . . . . . . . . . . . . . . 10
1.4. Insumos de modelizacion meteorol ogica para los modelos de calidad del aire . 11
1.5. Marco conceptual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.5.1. Modelizaci on de la calidad del aire . . . . . . . . . . . . . . . . . . . 13
1.5.2. La meteorologa y la modelizaci on atmosferica . . . . . . . . . . . . . 16
1.5.3. Uso de WRF para la creaci on de campos meteorologicos para Calmet 20
1.5.4. Modelizaci on atmosferica con Calmet . . . . . . . . . . . . . . . . . . 23
1.5.5. Modelo de dispersi on Calpu . . . . . . . . . . . . . . . . . . . . . . 25
1.5.6. Calpost . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.5.7. Evaluaci on de la modelizaci on meteorologica . . . . . . . . . . . . . . 26
1.5.8. Evaluaci on de la dispersi on de contaminantes . . . . . . . . . . . . . 28
1.6. Problema de contaminaci on en Bogota . . . . . . . . . . . . . . . . . . . . . 30
1.6.1. Red de calidad del aire de Bogota y qumica atmosferica . . . . . . . 31
1.6.2. Aspectos climatologicos . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.6.3. Escenario Topograco . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.7. Problema de investigacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2. Metodologa 37
2.1. Modelizacion meteorol ogica con WRF . . . . . . . . . . . . . . . . . . . . . . 37
2.1.1. Parametrizaci on del modelo WRF . . . . . . . . . . . . . . . . . . . . 38
Contenido xi
2.1.2. Validacion de la modelizaci on meteorologica de WRF . . . . . . . . . 41
2.2. Modelizacion meteorol ogica con Calmet . . . . . . . . . . . . . . . . . . . . . 41
2.3. Inventarios de emisiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.1. Comportamiento temporal y espacial de contaminantes PM 10 . . . . 45
2.4. Modelizacion de la calidad del aire con Calpu . . . . . . . . . . . . . . . . . 49
2.4.1. An alisis de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3. Resultados 51
3.1. Validaci on de la modelizacion meteorol ogica con WRF . . . . . . . . . . . . 51
3.1.1. An alisis del caso13 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.2. Resultados de la modelizaci on atmosferica con Calmet . . . . . . . . . . . . 64
3.2.1. Comportamiento de la capa de mezcla para Bogot a . . . . . . . . . . 64
3.2.2. Comportamiento del ujo de calor sensible . . . . . . . . . . . . . . . 64
3.3. Resultados de la simulacion de dispersi on de contaminantes con Calpu . . . 67
3.3.1. An alisis de sensibilidad del modelo a la meteorologa . . . . . . . . . 75
4. Conclusiones y recomendaciones 85
4.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
5. Bibliografa 87
A. Resumen de diagramas de caja para algunos de los casos propuestos 96
B. Variacion espacial y temporal de PM10 98
C. Surface layer 112
Lista de Figuras
1-1. Esquema de la estructura de la capa lmite planetaria a lo largo de un da.
Fuente:(Stull,1980) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1-2. Variacion del viento seg un la altura sobre supercies con diferentes rasgos
topogr acos (las cifras corresponden al porcentaje del gradiente de velocidad
del viento): Fuente: Turner (1980) . . . . . . . . . . . . . . . . . . . . . . . . 19
1-3. Conguraciones posibles de anidados en interaccion de dos vas . . . . . . . . 22
1-4. Diagrama de ujo para el sistema de modelizacion Calmet . . . . . . . . . . 23
1-5. Diagrama de ujo para el sistema de modelizacion Calpu . . . . . . . . . . 25
1-6. Fotografa de la ciudad de Bogota . . . . . . . . . . . . . . . . . . . . . . . . 32
2-1. Figura del dominio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2-2. Figura del dominio a simular con Calmet . . . . . . . . . . . . . . . . . . . . 43
2-3. Emisiones de PM
10
para las 01:00 . . . . . . . . . . . . . . . . . . . . . . . . 47
10
para las 06:00 . . . . . . . . . . . . . . . . . . . . . . . . 47
10
para las 12:00 . . . . . . . . . . . . . . . . . . . . . . . . 48
10
para las 18:00 . . . . . . . . . . . . . . . . . . . . . . . . 48
2-7. Diagrama de caja para el contaminante PM
10
para la ciudad de Bogota . . . 49
3-1. Diagrama de caja para temperatura promedio medida y promedio observada
para el dominio de simulacion . . . . . . . . . . . . . . . . . . . . . . . . . . 53
3-2. Diagrama de caja para la magnitud de la velocidad del viento promedio me-
dida y promedio observada para el dominio de simulaci on [m/s] . . . . . . . 55
3-3. Sesgo para la velocidad del viento en cada una de las estaciones de monitoreo
de calidad del aire de Bogota . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3-4. Sesgo para la temperatura modelada en cada una de las estaciones de moni-
toreo de calidad del aire de Bogota . . . . . . . . . . . . . . . . . . . . . . . 57
3-5. Sesgo para la direcci on del viento en cada una de las estaciones de monitoreo
de calidad del aire de Bogota . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3-6. Desviaci on est andar para la temperatura a 2m en cada una de las estaciones
de monitoreo de calidad del aire de Bogota. . . . . . . . . . . . . . . . . . . 59
3-7. Desviaci on estandar para la direccion del viento en cada una de las estaciones
de monitoreo de calidad del aire de Bogota . . . . . . . . . . . . . . . . . . 60
Lista de Figuras xiii
3-8. Desviaci on estandar para la velocidad del viento en cada una de las estaciones
de monitoreo de calidad del aire de Bogota . . . . . . . . . . . . . . . . . . . 61
3-9. Figura de la desviaci on standard, sesgo y el error medio absoluto promediados
para la temperatura modelada . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3-10.Figura de la desviaci on standard, sesgo y el error medio absoluto promediados
para la direcci on del viento . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3-11.Figura de la desviaci on standard, sesgo y el error medio absoluto promediados
para la velocidad del viento . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3-12.Altura de la capa de mezcla en el dominio de simulacion para el da 2 de
diciembre a las 00 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3-13.Altura de la capa de mezcla en el dominio de simulacion para el da 2 de
diciembre a las 12am . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3-14.Comportamiento del ujo de calor sensible para la fecha 2009-12-07-20:00 . . 66
3-15.Comportamiento del ujo de calor sensible para la fecha 2009-12-07-07:00 . . 66
3-16.Niveles de contaminante PM
10
para la ciudad de Bogota para la estacion
Carvajal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
10
Fontib on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
10
Guaymaral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
10
Kennedy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
10
para la ciudad de Bogota para la estaci on Las
Ferias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
10
Puente Aranda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
10
Parque Simon Bolvar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
10
para la ciudad de Bogot a para la estaci on San
Crist obal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
10
para la ciudad de Bogot a para la estaci on Tunal 71
3-25.Diagrama de cajas para los resultados de los niveles de PM
10
modelados . . 72
10
para la ciudad de Bogota . . . . . . . . . . . 74
10
para la ciudad de Bogota y capa de mezcla
estaci on Carvajal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
10
estaci on Fontibon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
10
estaci on Guaymaral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
xiv Lista de Figuras
10
estaci on Kennedy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10
estaci on Las Ferias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10
estaci on Puente Aranda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
10
estaci on San Cristobal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
10
estaci on Parque Simon Bolvar . . . . . . . . . . . . . . . . . . . . . . . . . . 79
10
estaci on Tunal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3-36.Inuencia de la meteorologa en los niveles de contaminante PM
10
para la
ciudad de Bogot a Estaci on Carvajal . . . . . . . . . . . . . . . . . . . . . . . 80
10
para la
ciudad de Bogot a Estaci on Fontib on . . . . . . . . . . . . . . . . . . . . . . 81
10
para la
ciudad de Bogot a Estaci on Guaymaral . . . . . . . . . . . . . . . . . . . . . 81
10
para la
ciudad de Bogot a Estaci on Kennedy . . . . . . . . . . . . . . . . . . . . . . 82
10
para la
ciudad de Bogot a Estaci on Las Ferias . . . . . . . . . . . . . . . . . . . . . . 82
10
para la
ciudad de Bogot a Estaci on Puente Aranda . . . . . . . . . . . . . . . . . . . 83
10
para la
ciudad de Bogot a Estaci on Parque Sim on Bolvar . . . . . . . . . . . . . . . 83
10
para la
ciudad de Bogot a Estaci on San Crist obal . . . . . . . . . . . . . . . . . . . . 84
10
para la ciudad de Bogota . . . . . . . . . . . 84
A-1. Diagrama de caja para temperatura y velocidad del viento modelada y medida
caso01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
caso01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
caso01 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
caso09 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
B-1. Variacion espacial para PM
10
hora 1 . . . . . . . . . . . . . . . . . . . . . . 98
10
hora 2 . . . . . . . . . . . . . . . . . . . . . . 99
Lista de Figuras xv
10
hora 3 . . . . . . . . . . . . . . . . . . . . . . 99
10
hora 4 . . . . . . . . . . . . . . . . . . . . . . 100
10
hora 5 . . . . . . . . . . . . . . . . . . . . . . 100
10
hora 6 . . . . . . . . . . . . . . . . . . . . . . 101
10
hora 7 . . . . . . . . . . . . . . . . . . . . . . 101
10
hora 8 . . . . . . . . . . . . . . . . . . . . . . 102
10
hora 9 . . . . . . . . . . . . . . . . . . . . . . 102
10
hora 10 . . . . . . . . . . . . . . . . . . . . . . 103
10
hora 11 . . . . . . . . . . . . . . . . . . . . . . 103
10
hora 12 . . . . . . . . . . . . . . . . . . . . . . 104
10
hora 13 . . . . . . . . . . . . . . . . . . . . . . 104
10
hora 14 . . . . . . . . . . . . . . . . . . . . . . 105
10
hora 15 . . . . . . . . . . . . . . . . . . . . . . 106
10
hora 16 . . . . . . . . . . . . . . . . . . . . . . 107
10
hora 17 . . . . . . . . . . . . . . . . . . . . . . 107
10
hora 18 . . . . . . . . . . . . . . . . . . . . . . 108
10
hora 19 . . . . . . . . . . . . . . . . . . . . . . 108
10
hora 20 . . . . . . . . . . . . . . . . . . . . . . 109
10
hora 21 . . . . . . . . . . . . . . . . . . . . . . 110
10
hora 22 . . . . . . . . . . . . . . . . . . . . . . 110
10
hora 23 . . . . . . . . . . . . . . . . . . . . . . 111
10
hora 24 . . . . . . . . . . . . . . . . . . . . . . 111
Lista de Tablas
1-1. Tipos y escalas de problemas de contaminaci on ambiental . . . . . . . . . . . 4
1-2. Concentraciones de una atm osfera normal de gases contaminantes: Fuente:Seinfeld(1986) 7
1-3. Clasicaci on de contaminantes gaseosos basados en sus propiedades qumicas 8
1-4. Opciones disponibles para la simulaci on de procesos atmosfericos . . . . . . . 21
1-5. Indicadores estadsticos para evaluaci on de modelos de calidad del aire . . . 35
1-6. Grupo de estaciones meteorologicas de la red de calidad del aire de Bogot a . 36
2-1. Grupo de estaciones meteorologicas de la red de calidad del aire de Bogot a . 38
2-2. Esquemas de parametrizaciones disponibles en WRF, version 3.2.1 . . . . . . 40
2-3. Diferentes tipos de esquemas usados para la modelizaci on atmosferica . . . . 41
2-4. Resumen de esquemas usados para el modelizacion . . . . . . . . . . . . . . 42
2-5. Puntos extremos del dominio a simular . . . . . . . . . . . . . . . . . . . . . 43
2-6. Consolidado de emisiones horarias, fuentes m oviles . . . . . . . . . . . . . . 44
2-7. Consolidado de emisiones horarias, fuentes m oviles . . . . . . . . . . . . . . 45
2-8. Consolidado de emisiones horarias, fuentes jas . . . . . . . . . . . . . . . . 46
3-1. Estadsticos para la evaluacion de la temperatura a altura de 2m [grados
centgrados] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3-2. Estadsticos para la evaluacion de velocidad del viento a 10m [m/s] . . . . . 53
3-3. Estadsticos para la evaluacion de la direcci on del viento a 10m [grados cent-
grados] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3-4. Parametros de la conguracion del caso13 . . . . . . . . . . . . . . . . . . . 54
3-5. Estadstico de los niveles de contaminantes . . . . . . . . . . . . . . . . . . . 72
1. Introduccion
Debido a los graves problemas de contaminaci on que se han presentado en los ultimos a nos
y el enfasis dado a las norma de calidad del aire en la Union Europea, en los pases en va
de desarrollo los modelos de dispersi on est an cada vez mas siendo usados en la evaluaci on
de la contaminacion y su impacto ambiental, as como para apoyar la elaboracion de po-
lticas encaminadas al mejoramiento del medio ambiente y protecci on de la salud p ublica.
Estos modelos han sido desarrollados en los pases con mayor emision de contaminantes, sin
embargo su uso operacional puede requerir una calibracion o modicaciones de acuerdo a la
topografa y los regmenes climatol ogicos de una zona en particular.
1.1. Objetivos
1.1.1. Objetivo general
El objetivo general de este estudio es evaluar el acoplamiento del modelo de mesoescala WRF
con el modelo de calidad de aire Calpu, como una herramienta para el pronostico de los
niveles de PM
10
.
1.1.2. Objetivos especcos
Montar los procedimientos necesarios para ejecutar la modelizacion meteorologica con
el paquete Calmet, utilizando el generador de campos de pron ostico a partir de la salida
del modelo meteorologico WRF como campos de datos de entrada
Evaluar los resultados de las corridas de Calpu para un area determinada a partir de
la salida de los campos meteorol ogicos obtenidos de Calmet
Determinar las concentraciones maximas de contaminantes generadas por el modelo
Calpu a partir de los campos generados por Calpost compar andolas con las concen-
traciones medidas.
1.2. Sistema de modelizacion Calpu
Como parte de un estudio para dise nar un sistema de modelizaci on para la calidad del aire,
la rma Sigma Research Corporation desarroll o el modelo de dispersion Calpu y los pro-
2 1 Introduccion
gramas relacionados, incluyendo el modelo meteorologico Calmet. Las especicaciones para
el sistema de modelizaci on incluan; (1) capacidad de modelar m ultiples fuentes puntuales;
(2) desarrollo de m ultiples dominios desde las decenas de metros hasta los kil ometros; (3)
predicciones variando desde una hora hasta un a no; (4) aplicabilidad a contaminantes inertes
y mecanismos de remoci on qumica y (5) aplicabilidad para terrenos complejos.
Durante los ultimos a nos, Calmet y Calpu han sido mejorados como parte de un trabajo
para Interagency Workgroup on Air Quality Modelling (IWAQM, U.S.), Environment Pro-
tection Agency (E.P.A) y la industria privada. Las mejoras a Calpu incluyen modicaciones
para hacerlo mas apropiado en aplicaciones regionales, as como el uso de campos grillados
como campos de condiciones iniciales. Adem as posee una opcion que permite el uso de datos
de salida de modelos de pron ostico tales como PSU/NCAR mesoscale model (MM5),Regional
Atmospheric Meteorology System (RAMS)(Pielke et al., 1992), Weather Research Forescas-
ting (WRF) (Skamarock et al., 2005) entre otros. Un esquema modicado para el c alculo
de la altura de mezcla, una opcion para extrapolacion vertical de vientos superciales, una
parametrizacion para terreno complejo y una interfaz gr aca.
El sistema de modelizacion se desarroll o en 3 componentes: (1) un paquete de modelizaci on
con ambos generadores de viento (diagnostico y pron ostico), (2) un m odulo de dispersi on
con remocion qumica, deposici on h umeda y seca, un algoritmo para terreno complejo y (3)
programas para el post procesamiento para la salida de los campos de datos meteorol ogicos,
concentraciones y ujos de deposici on.
El sistema de modelizacion Calpu incluye 3 componentes principales Calmet, Calpu, Cal-
post y un gran conjunto de programas de procesamiento dise nado para la interfase entre datos
geofsicos y datos meteorologicos. En terminos m as simples, Calmet es un modelo meteorol o-
gico que desarrolla campos horarios de viento y campos de temperatura tridimensional en un
dominio de modelizaci on grillado. Asociado a esto, algunas propiedades meteorol ogicas como
altura de mezcla, caractersticas superciales del albedo, relaci on de Bowen, etc. Calpu es
un modelo de dispersion que transporta una bocanada de material emitido de fuentes mo-
deladas, simulando su dispersi on y transformaciones qumicas. Calpost se usa para procesar
estos archivos produciendo tabulaciones que resumen los resultados de la simulacion.
Calmet ha sido evaluado a traves de observaciones con un n umero limitado de estaciones en
varios estudios, en especial en aquellos que reproducen campos de vientos bajo condiciones
complejas alimentado a traves de modelos meteorologicos de mesoescala (Grell et al. 1994;
Stauer and Seaman, 1994; Seaman et al., 1995; Shafran et al., 2000; Deng et al., 2004) de-
mostrando que el modelo de mesoescala es una herramienta poderosa para la generacion de
campos tridimensionales. Igualmente, Klausmann (2005) discuti o el uso del modelo Calmet
acoplado a un modelo meteorologico de mesoescala como una herramienta para la evaluaci on
1.2 Sistema de modelizaci on Calpu 3
y analisis del viento como fuente de energa. Wang evalu o durante un evento de circulaci on
mar-tierra los vientos altamente variables a traves del paquete de diagnostico y el paquete
de pronostico a traves de la salida del MM5, para luego comparar los resultados hallan-
do concordancias entre los datos medidos y modelados. Jackson et al., (2006) utilizaron un
modelo hbrido para producir campos meteorol ogicos y aplicarlos a un episodio ocurrido en
California, usando el modelo de diagn ostico para mejorar las concordancias entre MM5 y los
campos medidos de temperatura y velocidad del viento, demostrando que el modelo hbrido
mejoraba los resultados de predicci on de ozono.
El modelo de dispersi on Calpu ha sido usado en varios estudios alimentandose a traves
del modelo meteorol ogico Calmet para analizar problemas de calidad del aire. Por ejemplo,
Elbir (2003), a partir del modelo meteorologico Calmet y su modelo de dispersi on Calpu,
predijeron las emisiones de dioxido de azufre (SO2) de fuentes domesticas e industriales en
Izmir, la tercera ciudad mas importante de Turqua, encontrando que el modelo tenda a
subestimar los niveles de contaminante. Villase nor et al., (2003) uso el mismo modelo para
simular campos de viento y temperatura con el objetivo de analizar el transporte y dispersi on
de di oxido de azufre, el cual es el principal contaminante de plataformas petroleras en alta
mar, mostrando resultados que sobreestimaban los niveles de SO
2
. Barna y Gimson (2000)
acoplaron el modelo meteorologico RAMS/Calmet/Calpu con datos de un inventario de
emisiones de contaminantes de vehculos, industria y calentamiento de hogares para analizar
material particulado en Christchurch, Nueva Zelanda, durante un episodio de altos niveles
de contaminantes durante la temporada de invierno en el cual determinaron que peque nas
variaciones en los datos de vientos generaron grandes diferencias en los resultados nales.
Soong et al., (2004) analiz o una concentracion superior a la concentracion promedio de ma-
terial particulado con un diametro menor a 10 micras PM
10
en California, simulando los
niveles de contaminantes durante un periodo de dos meses, encontrando que los resultados
eran menos que satisfactorios.
Zhou et al., (2002) estudiaron las emisiones de gases precursores de material particulado,
evaluando el riesgo a partir de la posici on de plantas contaminantes y la exposici on de las
zonas aleda nas a diferentes tipos de contaminantes usando el modelo Calpu, probando que
el modelo era sensible en sus aproximaciones para Beijing. Poplawski et al.,(2010) caracterizo
los efectos de las emisiones de contaminantes de barcos comerciales como un problema de
calidad del aire, investigando los niveles de concentraciones de material particulado (PM
2,5
),
di oxido de nitr ogeno y di oxido de azufre en James Bay, Victoria, British Columbia (BC),
Canad a, encontrando que los niveles modelados superaban los niveles maximos permitidos.
El uso operacional del modelo Calpu tendra un papel importante en la evaluacion y previ-
si on del impacto provocado por la actividad industrial, el tr aco, los incendios, o cualquier
otra situacion en la que se emitan partculas contaminantes hacia la atm osfera, identicando
4 1 Introduccion
cuales son las areas mas expuestas y cuales son los niveles de contaminacion m as altos, entre
otras.
1.3. Contaminacion del aire
Las actividades humanas han causado la contaminacion del aire desde que los ancestros
utilizaron la calefaccion a base de carb on. Pero esto se ha convertido en un serio problema
durante los ultimos 200 a nos cuando el incremento de la poblaci on y la industrializaci on
produjo enormes cantidades de contaminantes emitidos a la atm osfera. La contaminacion en
el aire se dene usualmente como una condicion atmosferica en la cual algunas sustancias se
presentan en concentraciones mayores que las de sus niveles normales, produciendo efectos
da ninos en la salud humana, animales y vegetaci on (Seinfeld, 2006). Estas sustancias pueden
ser de origen natural o elementos generados por el hombre en forma gaseosa, lquida, o estado
s olido que poseen la capacidad de ser transportadas por el aire.
Como regla general, la calidad del aire tiende a ser peor donde la mayor cantidad de conta-
minantes son emitidos, es decir, areas urbanas con alto tr aco vehicular y zonas industriales.
Ciertos contaminantes, tales como el ozono, componentes sulf uricos y nitrogenados, son fa-
cilmente dispersados por el aire sobre grandes regiones. Consecuentemente los problemas de
calidad del aire han llamado la atenci on debido a que estos afectan a las personas y animales
sobre grandes areas. Hay adem as, problemas de contaminacion de alcance global, los cuales
son causados por el incremento de los gases de efecto invernadero. De esta forma, existen pro-
blemas de contaminacion en la escala local-urbana, escala regional y escala global. Diferentes
tipos de problemas de contaminantes, asociados a su escala temporal y espacial se presentan
en la tabla 1-1 Problemas de tipo I incluyen contaminantes en ambientes cerrados ( centros
Tabla 1-1. Tipos y escalas de problemas de contaminacion ambiental
Tipo de problema
Ambientes cerrados 10
2
10
1
km Hasta 10
1
km 10
1
10
0
hr
Problema I Local 10
1
10km Hasta 3km 10
1
10hr
Urbana 1010
2
km Hasta 3km 10102
Problema II Regional 10
2
10
3
Hasta 15km 1010
3
Continental 10
3
10
4
km Hasta 30km 10
2
10
4
Problema III Hemisferica 10
4
2x10
4
km Hasta 50 10
3
10
5
Global 4x10
4
km Hasta 50km 10
3
10
6
comerciales); local alrededor de f abricas, plantas de poder, sitios de dep osito. Ejemplos de
problemas de tipo II son transporte de oxido de azufre y nitrogenados de grandes areas
1.3 Contaminaci on del aire 5
industriales, transporte regional de ozono y transporte de material particulado de incendios
forestales. Problemas de tipo III, incluyen contaminantes hemisfericos y globales y su posible
consecuencia en el cambio climatico sobre periodos de decadas y siglos.
1.3.1. Fuentes de contaminantes
Las fuentes de contaminantes pueden dividirse en 3 categoras (Arya,1996): (1) fuentes in-
dustriales y urbanas, (2) fuentes rurales y de agricultura; fuentes de emisiones naturales.
1. Fuentes industriales y urbanas
a) Plantas de generacion de energa electrica a base de combustibles f osiles. Vastas
cantidades de material particulado incluyendo (SiO
2
), hierro y aluminio se emiten
de las chimeneas de las plantas de poder. Los mayores contaminantes gaseosos
que se emiten a la atm osfera son, mon oxido de carbono (CO), di oxido de carbono
(CO
2
), dioxido de azufre , dioxido de carbono (CO
2
), oxidos nitrogenados (NO
x
),
ciertos hidrocarburos y compuesto org anicos volatiles (COV)
b) F abricas industriales: estos incluyen reneras, manufactureras, qumicos, meta-
l urgicas, farmaceuticas y otra variedad de gases y material particulado.
c) Transporte: esta categora incluye automoviles, buses, camiones, aeroplanos, bo-
tes, etc., los cuales son todos fuentes m oviles. Los mayores contaminantes pro-
ducidos por fuentes de transporte son CO, C, hidrocarburos, CO
2
, NO
x
, SO
2
y
COV.
d) Procesos de emision: estos incluyen hornos y otros procesos usados para el calen-
tamiento; fuego debido a quemas a cielo abierto, asaderos. Los mayores contami-
nantes emitidos son CO, CO
2
, NO
x
, SO
2
, COV y material particulado
e) e) Actividades de construccion: estas incluyen demolici on, pintura, pavimentacion
y otras actividades relacionadas con la construccion.
2. Fuentes de agricultura y otras fuentes rurales
a) Resuspension de polvo: operaciones de agricultura, arado y procesos de recoleccion
de cosechas, llevan a la emisi on de una cantidad considerable de polvo en el aire.
b) Quema de desechos: quemas a cielo abierto y desechos de productos de agricultura
constituyen la mayor fuente de humo y neblina.
c) Emisiones del suelo: los cultivos son usualmente tratados con aplicaciones de fer-
tilizantes que contienen nitratos y fosfatos.
3. Fuentes naturales
6 1 Introduccion
a) Erosi on del viento: la erosi on del suelo por parte de vientos intensos puede resultar
en tormentas de arena. Las partculas de polvo consisten principalmente de SiO
2
pero pueden incluir trazas de metales pesados.
b) Incendios forestales: muchos incendios forestales emiten una enorme cantidad de
humo, CO, CO
2
, NO
x
e hidrocarburos
c) Erupciones volc anicas: los grandes volcanes expelen enormes cantidades de mate-
rial particulado, CO
2
, SO
2
y otros gases a la atm osfera. Algunos de estos mate-
riales son transportados a altas latitudes y se mantienen por varios meses o a nos
impactando el clima global.
d) Emisiones biogenicas: estas incluyen emisiones de bosques y marismas. Los con-
taminantes principales emitidos a la atmosfera son metano, polen, hidrocarburos,
isopreno y amonio.
e) Procesos microbianos del suelo: estos incluyen respiracion aer obicos y anaer obicos
del suelo y vegetacion, resultando en una emisi on de oxido nitroso, metano (CH4),
hidroxido sulfhdrico (H
2
S), etc., a la atm osfera.
f ) Decaimiento natural de materia organica: estos incluyen decaimiento de vegeta-
ci on y otros materiales org anicos, los cuales emiten principalmente CH
4
, H
2
S y
NH
3
.
1.3.2. Contaminantes del aire
Existen una amplia variedad de contaminantes emitidos a la atm osfera pero no hay una
clasicaci on generalmente aceptada. En vez se han propuesto, por ejemplo una categora
basada en su origen en dos categoras (Arya, 1996): contaminantes primario y secundario.
1. Los contaminantes primarios son emitidos directamente a la atmosfera de sus fuentes
y no sufren transformaciones ni reacciones qumicas entre ellos, al menos en el corto
tiempo.
2. Los contaminantes secundarios son formados en la atm osfera como el resultado de reac-
ciones qumicas que llevan a la formaci on de partculas de mar, gotas acidas, nitratos,
sulfatos, NO, NO
2
, O
3
y una variedad de hidrocarburos oxigenados.
Otra clasicaci on est a basada en el estudio de materiales contaminantes. Los contaminantes
gaseosos del aire incluyen todos los gases que se encuentran en la atm osfera arriba de sus
niveles normales, los cuales incluyen material particulado. La concentracion de varios gases
y sus tiempos de residencia promedio en la atm osfera est an dados por la tabla 1-2. La
atm osfera seca est a compuesta principalmente de nitr ogeno (N
2
), oxgeno (0
2
) y varios gases
nobles entre los cuales se encuentran: Argon (Ar), Neon (Ne), Kript on (Kr) y Xen on (Xe).
Las concentraciones de vapor de agua se observan altamente variables, tanto en el tiempo
Tabla 1-2. Concentraciones de una atm osfera normal de gases contaminantes: Fuen-
te:Seinfeld(1986)
Gas en condicio-
nes normales
Concentracion
promedio
Gas contami-
nante
Concentracion
promedio (ppm)
Tiempo de resi-
dencia
N
2
780,840 CO
2
355 15 a nos
O
2
209,460 CH4 1.7 7 a nos
Ar 9,340 N
2
O 0.3 10 a nos
Ne 18,2 CO 0.05-0.2 65 das
Kr 1,1 SO
2
10-5-10-4 40 das
Xe 0,09 NH
3
10-4-10-2 20 das
He 5,2 NO
X
10-6-10-2 1 das
H2 0,58 HNO3 10-5-10-3 1 das
H2O Variable O3 10-2-10-1
como en el espacio. A su vez, es uno de los ingredientes mas importantes del estado del
tiempo y el clima en la baja atm osfera. El CO2 posee una relativa alta concentraci on de la
cual la mayor parte es debida a emisiones naturales como parte del ciclo del carbono.
1.3.3. Clasicacion de contaminantes gaseosos
Una clasicaci on com unmente usada de contaminantes gaseosos esta basada en sus propie-
dades qumicas, con lo cual se pueden agrupar en los siguientes grupos (Seinfeld, 2006).
La tabla 1-3 muestra una clasicaci on de contaminantes basada en sus propiedades qu-
micas.
Compuestos sulfurosos: las mayores fuentes de componentes que contienen azufres pre-
sentes en la atm osfera son la combustion de combustibles f osiles, materia org anica,
manufactura de papel, evaporaci on, etc. Entre algunas de las especies m as importantes
se encuentran: Sulfuro de carbonilo (COS) el cual es el mas abundante de las especies
gaseosas; el (SO
2
) es reconocido como un contaminante emitido de fuentes antropoge-
nicas (combustibles con alto contenido de azufre. El SO
2
es un gas corrosivo incoloro,
el cual se reconoce como gas contaminante. La oxidaci on de SO
2
ocurre a traves de
diferentes mecanismos incluyendo contactos con supercie, conversi on gas a partcula
y catalisis. Existen otros componentes sulfurosos que son de interes como contaminan-
tes, por ejemplo, el sulfuro de hidr ogeno (H
2
S), el cual es altamente toxico, carbonilo
sulf urico, bimetil bisulfurico.
Compuestos nitrogenados: el nitrogeno forma una molecula diatomica estable, que con-
8 1 Introduccion
Tabla 1-3. Clasicaci on de contaminantes gaseosos basados en sus propiedades qumicas
Clase Contaminante primario Contaminante secundario
Componentes sulfurosos
Dioxido de azufre (SO
2
),
trioxido de azufre (SO
3
),
acido sulfhdrico (H
2
S),
Sulfuro de carbonilo (COS),
disulfuro de carbonilo
(CS
2
), dimetil sulfato
(CH
3
)
Tri oxido de azufre (SO
3
),
acido sulf urico (H
2
SO
4
),
sulfuro de ion (SO
=
4
), sulfa-
to de amonio (NH
4
),etc.
Componentes nitrogenosos
Oxido ntrico (NO), oxi-
do nitroso (N
2
O), di oxido
de nitr ogeno (NO
2
), amonio
(NH
3
)
Oxidontrico(NO), di oxido
de nitrogeno (NO
2
), aci-
do ntrico (HNO
3
), ion de
amonio (NH
+
4
)
Compuestos carb onicos
inorg anicos
Monoxido de carbono (CO),
di oxido de carbono (CO
2
)
Dioxido de carbono (CO
2
),
compuestos carbonicos oxi-
genados inorg anicos
Compuestos carbonicos or-
ganicos
Metano (CH
4
), isopreno,
terpenos
Nitratos organicos, hidro-
carburos oxigenados clasi-
cados como aldehdos, keto-
nes y acidos
Compuestos halogenados
Fluoruro de hidr ogeno
(HF), cloruro de hidrogeno
(HCl) , clorouocarbonos
(CFCs), metil clorhidrico
(CH3Cl)
forma el n ucleo m as importante de la atmosfera. En el estado de oxidaci on el nitr ogeno
forma 7 oxidos y un gran n umero de nitro, ntrico, y derivados de nitratos. De los 7
oxidos de nitrogeno unicamente 3, oxido nitroso (N
2
O), oxido ntrico (NO) y el di oxido
de nitr ogeno (NO
2
) se encuentran en concentraciones signicativas. Los 2 ultimos a
menudo se combinan y se reeren como oxidos nitrogenados y se denotan por el NO
x
.
El N
2
O es incoloro, no t oxico y debido a que es reactivo en la atmosfera, no se le
considera un contaminante signicativo. El NO
x
es importante dado que forma parte
en la reacci on fotoqumicas resultante en la formacion de O
3
y smog, el NO se produce
por el uso de combustibles f osiles como fuente estacionarias y moviles.
El amonio (NH
3
) se considera relativamente poco importante y es emitido principal-
mente por procesos bacteriales naturales. El NH
3
juega un papel importante en la
reacci on y destino de muchos contaminantes. Por ejemplo, el NH
3
forma sales de amo-
nio, (NH
+
4
) con sulfuro ntrico. Otros nitr ogenos secundarios de interes relacionados
con calidad del aire son los acidos ntricos (HNO
3
) y el (HNO
3
), los cuales son los
responsables de la acidez de las nubes y de las precipitaciones.
Compuestos carbonicos inorg anicos: los compuestos carbonicos inorg anicos presentes
en la atm osfera son monoxido de carbono (CO) y dioxido de carbono (CO
2
), los cuales
son producidos por la combustion completa e incompleta de combustibles f osiles a
base de carbono, biomasa, desechos solidos y en procesos de respiraci on de plantas y
animales. Las fuentes antropogenicas son las responsables del incremento de los niveles
de CO y CO
2
en la atm osfera. El CO es un gas incoloro, inoloro, no irritable, pero
altamente toxico. Se puede combinar con la hemoglobina en la sangre y reduce la
habilidad para transportar el oxgeno en la sangre. Las fuentes naturales tales como
los bosques, las quemas de cultivo, los volcanes, producen enormes cantidades de CO,
que exceden la cantidad producida por las fuentes antropogenicas. En la presencia del
radical hidroxilo, el CO, puede ser convertido en CO
2
en la atm osfera. El CO
2
no
se le considera un contaminante peligroso. No es t oxico y es esencial para el ciclo de
las plantas y animales. Una gran porcion de CO
2
en la atmosfera es debido a fuentes
naturales, pero las fuentes antropogenicas han contribuido al incremento de CO
2
en
respuesta al aumento del uso de combustibles fosiles para el transporte.
Compuestos organicos a base de carbono: se encuentran en forma natural algunos com-
puestos y se emiten como contaminantes primarios, mientras que otros se forman como
productos de reacciones qumicas. Debido a que el carbono forma un enlace con otros
elementos como el hidr ogeno, oxgeno y el azufre, una gran cantidad de compuestos se
forman por reacciones qumicas. Muchos compuestos gaseosos se emiten a la atmosfera
por fuentes naturales. En areas urbanas e industriales muchos hidrocarburos incluyen-
do COV se emiten por fuentes antropogenicas. El metano (CH
4
) es probablemente el
m as abundante compuesto org anico. Se produce por cultivos h umedos, descomposici on
de plantas, animales rumiantes, etc. Es relativamente no reactivo y no se le considera
importante en reacciones qumicas. El principal papel del metano como contaminante
se relaciona con el posible cambio climatico. Los hidrocarburos diferentes al metano,
especialmente los COV son ingredientes muy importantes en la cadena de reacciones
fotoqumicas con el NO
x
en la presencia de luz solar, resultando en la formaci on de
smog y ozono. Adem as de los COV, muchos hidrocarburos son producidos por los ar-
boles. Poseen baja concentraci on y son relativamente poco toxicos. Son de importancia
porque juegan un papel importante en la qumica atmosferica local/urbana, regional y
global debido a su reactividad con el ozono.
Ozono y oxidantes: es un gas altamente reactivo, azuloso, que se forma en la tropo-
pausa por reacciones qumicas que involucran oxgeno at omico y moleculas. La mayor
cantidad de ozono reside entre 10km y 40km con su maxima concentraci on alrededor
10 1 Introducci on
de 20km arriba de la supercie terrestre. El ozono juega un papel beneco absorbiendo
radiaci on ultravioleta del Sol y protegiendo la vida en la Tierra de esos rayos. A dife-
rencia del ozono estratosferico bueno existe un ozono malo en la troposfera cerca de la
supercie del suelo, el cual es da nino a las plantas y personas perjudicando la salud.
El ozono y otros oxidantes como el peroxiclorato de nitrato y per oxido de hidr ogeno se
forman en atm osferas contaminadas como resultado de una amplia variedad de reac-
ciones fotoqumicas y que involucran oxidos de nitr ogeno y COV en presencia de luz
solar.
Compuestos hal ogenados: los contaminantes gaseosos a base de hal ogeno incluyen los
elementos y compuestos cloruro, bromuro, uor, entre otros. De estos, el cloro (Cl
2
), el
uoruro de hidrogeno (HF), el cloruro de hidrogeno (HCl) son usados como pesticidas
muy frecuentemente. Las formas gaseosas del cloro y sus componentes mas frecuentes
encontrados en atmosferas contaminadas son los compuestos HCl y pesticidas.
1.3.4. Clasicacion de partculas atmosfericas
Las partculas atmosfericas o aerosoles incluyen todas las partculas solidas o lquidas, excep-
tuando el agua pura, que existen en la atmosfera bajo condiciones normales. La mayora de
estas partculas son el resultado de emisiones directas como partculas de diferentes fuentes
antropogenicas o naturales, mientras que otras se forman de la condensacion de ciertos gases
y vapores que se emiten a la atm osfera como resultado de transformaciones qumicas.
El material particulado presente en la atmosfera, vara ampliamente en su composicion qu-
mica y fsica en funci on de la fuente emisora y del tama no de la partcula emitida. El material
particulado presente en la atm osfera se clasica en fracciones que tienen que ver con el tama-
no de cada una de las partculas que lo constituyen. Dos son los grupos de clasicaci on mas
habituales. El material con tama no de partcula inferior a 10 micras en tama no aerodinamico
se le denomina PM
10
y material con tama no de partcula inferior a 2,5 micras conocido como
PM
2,5
, estas ultimas son las que m as importancia tienen en la contaminaci on urbana ya que
pueden penetrar profundamente en los pulmones y poseen riesgos potenciales signicativos
para la salud. Las partculas de tama no comprendido entre las 2,5 micras y las 10 micras,
no son realmente inhaladas hasta las vas profundas y se expulsan de manera relativamente
ecaz a traves de las mucosidades o de la tos, o sedimentan directamente sin llegar a penetrar
en el arbol respiratorio.
La principal fuente de PM
10
son los procesos de combusti on, en particular de la combusti on
del carbon. Estas partculas son transportadas por gases calientes a lo largo de un tubo o
chimenea donde pueden aparecer nucleaciones espont aneas de partculas de carb on con pos-
terioridad a la emision. En algunas zonas geogr acas esta fuente primaria es superada por
el material particulado procedente de la resuspension originada en las tareas agrcolas y por
1.4 Insumos de modelizacion meteorol ogica para los modelos de calidad del aire 11
el transporte a larga distancia de material no con tama nos entre 5 y 10 micras procedente
de tormentas de polvo originadas a cientos de kilometros de distancia.
Las partculas secundarias se forman tpicamente a partir de productos de baja volatilidad
que se generan dentro de la atm osfera, por ejemplo por la oxidaci on del di oxido de azufre
a acido sulf urico. El tiempo de vida en la atm osfera de la materia particulada se encuentra
estrechamente unida al tama no de la partcula, pero puede llegar a los 10 das para partculas
de menos de 1 micra de diametro.
1.4. Insumos de modelizacion meteorologica para los
modelos de calidad del aire
Los modelos de dispersi on de contaminantes utilizados en calidad del aire son poderosas
herramientas para predecir el destino de los contaminantes emitidos a la atmosfera. La me-
teorologa es un factor clave que inuencia la severidad de los eventos adversos de contami-
nantes, porque los procesos atmosfericos controlan o inuencian las emisiones y la dispersion
de diversas especies qumicas, tanto en fase gaseosa como condensada (aerosoles). Estos pro-
cesos incluyen transporte vertical y horizontal, mezcla turbulenta, convecci on, deposicion
seca y h umeda. Ademas, las tasas a las cuales se forman las especies secundarias se afectan
directamente por factores como humedad relativa, energa solar, temperatura y presencia de
agua lquida (nubes).
Los regmenes meteorol ogicos que deben tenerse en cuenta para simulaciones de calidad
del aire son diferentes a los regmenes de aplicaciones operacionales de predicci on del estado
del tiempo. Mientras que en aplicaciones de prediccion se enfatiza en situaciones meteoro-
l ogicas que involucran fuertes forzamientos de escala sinoptica, en las cuales las situaciones
de tiempo atmosferico y lluvia fuerte son importantes, para aplicaciones de calidad del aire,
situaciones opuestas son las que mas interesan. Los eventos de alta contaminaci on del aire
tpicamente ocurren durante situaciones meteorol ogicas que involucran debil forzamientos
(Zhang and Rao, 1998), en los cuales se presentan vientos debiles y aumenta la estabilidad
de la capa lmite.
La habilidad para resolver la evolucion espacial y temporal de circulaci on con forzamien-
tos de terreno diurnos es crtica para simular el transporte y difusi on de especies qumicas
y material particulado. La necesidad de describir los campos de turbulencia y vientos como
datos de entrada para la evaluacion de modelos de calidad del aire es importante (Physick
et al., 1992; Pielke et al., 1991; Tucker, 1993; Svensson, 1996a; Kallos, 1996; Berkowitz and
Fast, 1996; Physick, 1995; Yamada, 1996; Liu and Carroll, 1996; Schayes et al., 1996; Borns-
tein et al., 1996). Los modelos de diagnostico (Sherman, 1979; Goodin et al., 1980, Odon,
12 1 Introducci on
2007; Darrell, 2009) est an basados en un an alisis objetivo de datos meteorol ogicos y se han
usado exhaustivamente en estudios de calidad del aire. Permiten diagnosticar el estado de la
atm osfera en puntos discretos en espacio y tiempo a traves de observaciones en sus lugares de
medici on y no consumen tiempo resolviendo la integracion de ecuaciones no lineales, de tal
forma que son atractivos para su uso en planes de emergencia. Finalmente, debido a que cada
analisis se genera con un conjunto nuevo de observaciones, no hay acumulacion de errores a
traves de eventos sucesivos. Sin embargo, tienen varias desventajas (Touma y Isakov, 2006).
En primer lugar, los datos meteorologicos usados para generar las condiciones iniciales estan
basados en observaciones obtenidas a distancias lejanas de la fuente de emision (10-100km),
intensicado la incertidumbre con respecto a los datos meteorol ogicos. Es decir, los modelos
meteorol ogicos construyen perles de viento, temperatura y turbulencia basados en la capa
lmite planetaria, lo cual puede no ser representativo de la zona usando esta metodologa.
Adem as, debido a las variaciones en las caractersticas superciales (rugosidad de la super-
cie, albedo, relaci on de Bowen) el uso de la tierra afecta los resultados del modelo. En
segundo lugar, para aplicaciones con m ultiples fuentes dispersas sobre un area heterogenea,
es difcil aceptar que un solo punto sea representativo del ujo turbulento y atmosferico que
afecta a la zona.
Los modelos de pron ostico han sido desarrollados para resolver las limitaciones de los mo-
delos de diagn ostico.

Estos predicen las variables meteorologicas resolviendo las ecuaciones
din amicas de la atm osfera. Ejemplos de estos modelos son PSU/NCAR MM5 (Penn State
University/National Center for Atmospheric Research Fifth Generation Mesoscale Model,
Grell et al., 1994), RAMS (Colorado State University Regional Atmospheric Modelling Sys-
tem), y Weather Research and Forecasting (WRF). La habilidad de los modelos de pron ostico
para producir con precisi on campos meteorologicos ha mejorado dram aticamente a traves de
mejores parametrizaciones, el uso de asimilaci on de datos y el incremento de la resolucion
horizontal y vertical (Seaman, 2003).
Los modelos de pron ostico y diagn ostico se han usado ampliamente para estudios de ca-
lidad de aire (Hanna et al., 1996; Hogrefe et al., 2001a, b; Sistla et al., 2001; Jiang and
Fast, 2004). Por ejemplo, los modelos de diagnostico han aproximado con exito la meteo-
rologa para la modelizaci on de la calidad del aire en la costa sur de California (Mysliwiec
and Kleeman, 2002; Ying et al., 2007; Kleeman et al., 2007); mientras que Soong (2004)
utiliz o 3 conjuntos de campos meteorol ogicos de pronostico generados por MM5 con diferen-
tes parametrizaciones fsicas para alimentar CAMx (Comprehensive Air quality Model with
extensions) durante los mismos escenarios de contaminantes, encontrando variaciones entre
cada conjunto de parametrizaciones. Liang et al., (2004) simularon el mismo episodio usando
MM5 y el CMAQ (Community Multiscale Air Quality model), comparando los resultados
con los resultados de CAMx. Jackson et al., (2006) utilizaron un modelo hbrido para produ-
cir campos meteorol ogicos para el episodio de Julio/Agosto de 2000, a traves del modelo de
1.5 Marco conceptual 13
diagn ostico de Calmet para mejorar la comparaci on entre los resultados simulados y los me-
didos, mientras que Biswas et al., (2000) acoplaron los modelos de pron ostico MM5 y RAMS
con el Variable Grid Urban Airshed Model System para analizar un episodio de altos niveles
de ozono ocurrido en Estados Unidos, determinando la incertidumbre que cada conjunto de
datos meteorologicos le agregaban a los niveles de contaminantes. Por otro lado, Randall
et al., (2002), utilizaron varios conjuntos de datos meteorol ogicos, incluyendo los de U.K.
Met Oce (MetO), European Centre for Medium- Range Weather Forecasts (ECMWF),
National Centers for Environmental Prediction (NCEP), y NASAs Goddard Earth Obser-
vation System (GEOS-4) para estudiar la din amica del ozono en niveles altos, comparando
los resultados con un modelo de diagn ostico. Entre algunos de los trabajos realizados con
Community Multiscale Air Quality (CMAQ) se encuentra Wyatt et al., (2010) quienes pre-
sentaron una comparaci on de dos simulaciones que utilizaron datos de entrada del MM5 y el
modelo meteorol ogico WRF, realizando dos simulaciones entre enero y agosto para predecir
los niveles de ozono en la region oeste de Estados Unidos, dan como resultados errores m as
bajos en las simulaciones realizadas con los campos de pron ostico de WRF. En Colombia,
Zarate et al.,(2007) introdujo dos versiones de un inventario de emisiones en un modelo de
calidad del aire encontrando que las simulaciones concordaban correctamente. Igualmente
Zarate et al.,(2011) analizaron las concentraciones de contaminantes en la ciudad de Bogot a
utilizando el modelo TAPOM Transport and air Pollution Model. Toro et al.,(2006) analiza-
ron la relaci on entre los COV y NO
x
y la formaci on de ozono troposferico a traves del modelo
Mesoscale Prognostic Model (MEMO) y el modelo de reacci on qumica Mulstiscale for the
Atmospheric Dispersion of Reactive Species (MUSE) con el n de conocer la formaci on y el
transporte de contaminantes fotoqumicos utilizando un modelo de pron ostico a mesoescala
y un modelo de dispersi on fotoqumico euleriano en el Valle de Aburr a. Benavides (2006)
desarroll o el acoplamiento del modelo de dispersion Industrial Source Complex (ISC) con el
MM5 para modelar la dispersi on de PM
10
a partir de fuentes industriales mostrando una
suavizamiento en sus resultados. Mientras Ruiz (2002) desarroll o una metodologa para la
simulaci on de la contaminaci on atmosferica generada por fuentes m oviles en la ciudad de
Bogot a, encontrando que los niveles eran subestimados.
1.5. Marco conceptual
1.5.1. Modelizacion de la calidad del aire
La modelizacion de la calidad del aire es la simulacion matematica de c omo los contaminan-
tes se dispersan en el medio ambiente, debido a su complejidad, la solucion m as pr actica es la
numerica, que debe ser resuelta usando herramientas computacionales. Se realiza a traves de
programas que resuelven las ecuaciones matematicas y algoritmos que simulan la dispersion
atmosferica.
14 1 Introducci on
Entre los principales componentes de un modelo de calidad del aire se encuentran:
Fuentes e inventarios de emisiones
Las fuentes de inventarios de emisiones emitidas en un area particular as como las transpor-
tadas por los vientos constituyen las componentes m as importantes. Un area urbana contiene
miles de fuentes individuales que varan desde los peque nos procesos individuales, como in-
cineradores, plantas fosiles y otras industrias hasta los miles. La aplicacion de un modelo de
dispersi on a cada una de estas fuentes es casi imposible. Consecuentemente, las emisiones de
todas las peque nas fuentes en la grilla se combinan en una fuente de area. Un inventario de
emisiones preciso, incluye un conocimiento diurno, semanal, y es esencial para el exito de la
modelizacion de la calidad del aire. Un inventario de emisiones es una lista de la cantidad de
contaminantes emitidos por todas las fuentes dentro de las fronteras de un area en particular
por todas las fuentes dentro del mismo.
Para desarrollar un inventario de emisiones se debe 1) listar todos los tipos de fuentes,
tales como autom oviles, chimeneas, plantas ,etc., 2) determinar el tipo de contaminantes
emitido por cada fuente tal como SO
2
, CO y partculas, 3) encontrar los factores apropiados
de emision para cada contaminante, 4) estimar el n umero y tama no de fuentes especicas en
el area. La validaci on de los factores de emisi on para cada fuente de contaminantes del aire
es la clave para un inventario de emisiones preciso.
Transporte de vientos
Todos los modelos de calidad del aire requieren informacion del transporte medio del vien-
to. En el modelo de calidad del aire m as simple basado en la aproximaci on de dispersi on
gaussiana, el transporte medio del viento se asume uniforme en las direcciones verticales y ho-
rizontales. Para este tipo de modelos, la base de observaciones meteorologicas se especican
con un punto cerca de un aeropuerto dentro de la zona urbana. Una ley del comporta-
miento del viento se puede usar con los datos en alg un punto de referencia para estimar
el transporte del viento a cualquier altura deseada. Si los datos meteorologicos est an dis-
ponibles de diferentes sitios sobre un area urbana, diferentes patrones de vientos se puede
asignar a diferentes grillas a traves de un esquema de interpolaci on objetivo. En un modelo
de dispersion mas complejo, sera m as apropiado trabajar con campos meteorologicos no
uniformes (Arya,2006). Con datos meteorologicos de pocos sitios, un modelo de mesoescala
es m as apropiado. Tal modelo de mesoescala puede generar unos campos meteorol ogicos mas
realistas.
Transformaciones qumicas
Usualmente la distancia y el tiempo de transporte sobre grandes ciudades no es lo suciente-
mente grande para que la mayora de especies sufran transformaciones qumicas. Consecuen-
temente, tales transformaciones se ignoran en un modelo de calidad del aire de area local.
Por ejemplo, en la mayora de modelos desarrollados por Agencia de Proteccion Ambiental
de Estados Unidos (EPA), las transformaciones qumicas son simplemente tratadas usando
una tasa de decaimiento lineal o exponencial en la cual la tasa de decaimiento de la especie
contaminante se especica al modelo, incluyendo los mecanismos cineticos y mec anicos de
las reacciones productoras de contaminantes primarios y secundarios.
El conocimiento de la qumica atmosferica ha mejorado desde el principio de la decada de
los 70, debido a esto, se han propuesto un n umero de mecanismos qumicos explcitos para
el analisis de las reacciones qumicas que sufren los contaminantes incluyendo todas las reac-
ciones entre especies primarias y secundarias as como sus productos intermedios (Seinfeld,
1996). Sin embargo, estos involucran cientos de reacciones y sus correspondientes coecien-
tes cineticos. Muchas de estas tasas, productos intermedios y nales son desconocidas y si
fueran conocidas, los productos nales a un seran desconocidos. Incluso si fueran conocidos
la cantidad de tiempo computacional requerido lo hara prohibitivo. Por esta raz on, los me-
canismos qumicos explcitos no son directamente utilizados en modelos de calidad del aire.
Sin embargo, se han utilizado indirectamente en el desarrollo de m as mecanismos qumicos
agrupados para uso en modelos fotoqumicos de calidad del aire.
Procesos de remocion
Debido a lo limitado de las distancias y tiempo de viajes de los contaminantes involucrados
en los modelos de calidad del aire, la remoci on de contaminantes por deposici on h umeda
y seca usualmente se ignora. En algunos modelos, son considerados la deposici on seca de
material particulado incluyendo sulfatos y otros gases como SO
2
y NO
x
. La deposicion seca
y h umeda son importantes en el transporte de largo alcance y se debe incorporar en los
modelos numericos.
Deposicion seca
Se reere a la transferencia de material particulado, ambos gaseosos y particulado, a la
supercie de la Tierra, incluyendo el suelo, vegetaci on y agua (Seinfeld,1986). El proceso
de transferencia lleva a que la deposici on se divida en 3 partes. La primera involucra el
transporte del material a traves de la capa supercial atmosferica a los alrededores de la su-
percie. La segunda etapa involucra la difusion de material a traves de la capa sublaminar. El
principal mecanismo de transferencia es de tipo molecular. La tercera etapa, involucra la ab-
sorcion del material y su remoci on de la supercie a traves de procesos qumicos y biol ogicos.
16 1 Introducci on
Los gases no reactivos, tales como el argon y el helio, no se remueven del todo por de-
posici on seca. Otros gases puede removerse a traves de la deposicion seca en la vegetaci on y
aguas superciales
Deposicion h umeda
Se dene como el proceso por el cual las partculas (gases y material particulado) se absorben
en elementos precipitable (gotas agua, partculas de hielo, etc) y as depositarse en la super-
cie de la Tierra durante la precipitaci on. Este proceso incluye la conversi on de contaminantes
a gotas de agua por varios mecanismos fsicos durante la formacion de la nube.
1.5.2. La meteorologa y la modelizacion atmosferica
Para realizar actividades relativas a la planicacion de la calidad del aire es imprescindible
comprender la meteorologa de una determinada zona y su inuencia en la dispersi on de
las sustancias contaminantes. Los investigadores emplean este conocimiento para ayudar a
localizar las estaciones de monitoreo de contaminaci on del aire y para desarrollar planes
de implementaci on orientados al cumplimiento de los est andares de calidad del aire en ex-
teriores. La meteorologa se usa para predecir el impacto ambiental de una nueva fuente
de contaminaci on del aire y para determinar el efecto de las modicaciones de las fuentes
existentes en la calidad del aire.
Capa lmite planetaria
En la modelizaci on de la calidad del aire, la correcta representaci on de los campos de viento,
campos de temperatura, ujo turbulento y altura de mezcla son necesarios para entender
el transporte y correcta difusi on de los contaminantes dentro de la capa lmite planetaria
(PBL). Estos procesos son fuertemente dependientes de las parametrizaciones de los modelos
meteorol ogicos. En la modelizaci on meteorol ogica de mesoescala, tales como con el mode-
lo WRF, diferentes esquemas se proveen con el objetivo de caracterizar la estructura de la
PBL, en donde la mayora de contaminantes se emiten o producen qumicamente, donde
su evolucion diurna juega un papel importante en la determinacion de la dispersion de los
contaminantes (Zaveri et al., 1995).
La capa lmite planetaria es la regi on de la atm osfera mas cerca de la supercie terres-
tre donde la interaccion con la supercie se percibe a traves del intercambio de momentum,
calor y humedad en escalas de tiempo de una hora o menos (Stull,1980). La naturaleza tur-
bulenta de la PBL es una de sus caractersticas m as notables. Sobre la tierra en particular,
la estructura de la misma es fuertemente inuenciada por el ciclo diurno del calentamiento
y enfriamiento y por la presencia de nubes. La parte m as alta de la capa lmite en condi-
ciones convectivas es a menudo denida por la existencia de una capa estable en la cual los
movimientos turbulentos no pueden penetrarla. La altura de esta capa estable es bastante
variable, pero generalmente sobrepasa los 2km-3km. En los desiertos en el verano, bajo con-
diciones de fuerte calentamiento puede tener llegar hasta los 5 km e incluso m as ancha bajo
la presencia de cumulonimbus.
La PBL consiste de 3 partes principales: una capa de mezcla turbulenta, una capa residual
menos turbulenta y una capa lmite estable nocturna. La gura 1-1 muestra las diferentes
capas en que se divide la PBL.
Figura 1-1. Esquema de la estructura de la capa lmite planetaria a lo largo de un da.
Fuente:(Stull,1980)
PLANTEAMIENTO DEL PROBLEMA DE INVESTIGACIN 11
irradianca en longitudes de onda larga. Consecuentemente, producto de esta accin, el suelo
y el aire, as como las capas ms bajas, se enfran ms rpidamente que el aire en las capas
ms altas. De esta forma se obtiene un aumento de la temperatura con la altura y por tanto,
una capa trmicamente estable.
c) La capa residual se crea sobre la capa estable nocturna, esta no es afectada por la
prdida de la temperatura del suelo, por lo que mantiene el gradiente de temperatura de la
capa de mezcla del da anterior.
Figura 1.4: Estructura de la capa lmite y capa supercial. (fuente Stull 1988).
Adems de las caractersticas mencionadas anteriormente sobre la capa lmite atmosfrica,
est presenta una capa ms na, cercana al suelo que a continuacin se describe.
La capa supercial (Atmospheric Surface Layer, SL) es la capa que se encuentra ms
prxima al suelo (Figura 1.4) y forma parte de la capa lmite atmosfrica. En forma general,
se dene como la capa donde los ujos turbulentos son casi constantes con la altura, relativa
al nivel de supercie. Estos ujos se ven fuertemente inuidos por la estraticacin trmica,
es decir son inuenciados por el gradiente vertical de temperatura. La altura de la capa
supercial, no es tan fcil de determinar, por lo que se adopta el siguiente criterio para
denir su tope: La capa supercial atmosfrica comprende el 10 % de la altura de la capa
lmite atmosfrica, ms cercana a la supercie y que est en contacto directo con la supercie
terrestre (Stull, 1988).
Durante el ciclo diurno, la capa supercial muestra una fuerte variacin; durante el da,
se caracteriza por un gradiente super-adiabtico
24
, un decrecimiento de la humedad con la
24
ver Anexo A.
Caractersticas generales de la PBL
Entre algunas de las caractersticas de la PBL se encuentran:
Turbulencia: el proceso de difusi on en la capa atmosferica es dominado por la turbu-
lencia. La difusion molecular puede despreciarse en una capa de unos pocos milmetros
cerca a la supercie. La escala de tiempo del movimiento turbulento vara de unos pocos
segundos para la turbulencia m as peque na hasta media hora para la turbulencia m as
grande. La escala de longitud vara de los milmetros para las uctuaciones disipativas
hasta los cientos de metros para la turbulencia m as grande en la PBL. La turbulencia
m as grande domina las propiedades difusivas de la capa lmite turbulenta y es claro
que no puede ser resuelta por los modelos de mesoescala y por lo tanto es necesario
parametrizarla.
Estabilidad: la estructura de la capa lmite atmosferica se afecta por la capa subyacente
y por la estabilidad de la PBL. La rugosidad de la supercie determina la producci on
18 1 Introducci on
de turbulencia, la tensi on supercial y el comportamiento del perl de los vientos. La
estabilidad afecta la estructura de la turbulencia. En una PBL estraticada inestable,
la produccion de turbulencia aumenta y el intercambio se intensica resultando en una
distribuci on uniforme de momentum, temperatura potencial y humedad especca. En
una capa lmite estraticada, por ejemplo, durante la noche, la turbulencia producida
por el tension se suprime por la estraticacion resultante en un intercambio debil y un
acoplamiento con la supercie.
Los objetos en la supercie (elementos rugosos) sobre los cuales el viento uye tie-
nen un efecto de friccion en el viento cercano a la supercie. Este efecto es apreciado
en la gura 1.5.2 para la cual se muestran tres diferentes supercies. Los n umeros da-
dos a diferentes alturas son la velocidad del viento relativo a la altura. La altura y el
espaciamiento de los elementos rugosos inuenciaran los efectos de friccion del viento.
Un solo par ametro, la longitud de rugosidad de la supercie, se usa para indicar este
efecto.
Patr on diurno: Durante el da, con un ujo de calor ascendente de la supercie, la
mezcla turbulenta es muy fuerte, resultando, en aproximadamente perles uniformes
de temperatura potencial y viento en la PBL. La capa lmite inestable es por lo tanto
llamada capa de mezcla. Cerca a la supercie vemos una capa super adiab atica y un
fuerte viento de gradiente. La parte mas alta de la capa de mezcla es acotada por una
inversi on la cual inhibe que el movimiento turbulento penetre. La altura de la inversion
aumenta r apidamente en la manana y alcanza una altura de algunos kilometros durante
el transcurso del da. Cuando el ujo de calor de la supercie cambia de sentido en
la noche la capa de mezcla disminuye en altura. La capa lmite nocturna NBL posee
una altura tpicamente de 50m a 200m dependiendo de la velocidad del viento y la
estabilidad.
En la capa lmite la estraticacion estable se desarrolla antes del amanecer, cuando el enfria-
miento radiactivo de la supercie terrestre da como resultado el desarrollo de la capa termica
estable (SAL) cercana a la supercie terrestre. Con el tiempo, esta capa se desacopla de la
parte m as alta de la capa lmite y la capa residual (RL) se mantiene. La estructura de la
capa lmite nocturna NBL se determina principalmente por la interacci on entre la estabilidad
est atica de la atm osfera y aquellos procesos tales como la cizalladura vertical y fen omenos
de terreno inducidos como sistema de circulaci on mar-tierra, lago-tierra, valle monta na y
chorros en niveles bajos que gobiernan la generacion mec anica de turbulencia (Stull, 1988).
Estos procesos pueden operar en varias alturas y escalas de tiempo dentro de la capa lmi-
te, como resultado el equilibrio o condiciones estacionarias son muy raras, y en cualquier
punto en el espacio y tiempo. De esta forma, la NBL puede variar de fuerte turbulencia
a turbulencia intermedia o incluso cero turbulencia. Esto hace muy difcil la observacion y
predicci on de las bocanadas de contaminantes en la NBL, particularmente en regiones de
Figura 1-2. Variaci on del viento seg un la altura sobre supercies con diferentes rasgos
topogr acos (las cifras corresponden al porcentaje del gradiente de velocidad del viento):
Fuente: Turner (1980)
terrenos complejos (Beyrich, 1994).
Altas concentraciones de contaminantes se asocian tpicamente con condiciones anticicloni-
cas cuando fuerte inversiones de temperaturas y vientos debiles limitan la dispersi on vertical
y horizontal. Durante los das bajo condiciones convectivas turbulentas se puede esperar
que los contaminantes se mezclen dentro de la PBL y las concentraciones en la distribuci on
vertical sea mucho m as compleja. En la noche, sin embargo, la NBL puede resulta en una
distribuci on mucho m as compleja. Por ejemplo, debido que la RL y la SAL estan desacopla-
das, la emisiones de contaminantes puede resultar en perles diferentes a traves de la noche.
Los contaminantes emitidos a la capa supercial tales como CO, NO, NO
2
y CO
2
puede
quedarse atrapados en la supercie. En contraste, es probable que las concentraciones de
estos contaminantes sean baja en la RL debido a la ausencia de fuentes de emisi on.
20 1 Introducci on
1.5.3. Uso de WRF para la creacion de campos meteorologicos para
Calmet
Los primeros modelos de dispersion usaban observaciones horarias en estaciones meteoro-
l ogicas puntuales y no eran capaces de simular transporte y dispersion de contaminantes
dentro de campos meteorologicos variables en el tiempo (en la mayora de aplicaciones los
datos medidos son limitados y no pueden resolver detalles de los campos meteorol ogicos).
Los modelos dinamicos tienen la habilidad para simular de manera mas realista los cam-
pos meteorologicos de mesoescala no resueltos por observaciones unicamente. En los ultimos
a nos, algunos sistemas de modelizacion de calidad del aire tal como Calmet/Calpu (Scire et
al, 2000a, b) han sido desarrollados con esta capacidad, pero el exito depende a un de poder
resolver adecuadamente las caractersticas de escala sin optica, mesoescala y estructuras de
la capa lmite planetaria. Para este n, los modelos de dispersi on poseen modelos meteoro-
l ogicos que recurren a los modelos de mesoescala para mejorar las condiciones de frontera y
las condiciones iniciales de los campos meteorologicos que son ingresados a los modelos de
dispersi on.
WRF es un modelo de mesoescala de pr oxima generacion, euleriano, no hidrostatico. Es-
te modelo se usa para cambios de escala en la modelizacion de tiempo atmosferico y clima,
a partir de una escala global hacia escalas menores en areas limitadas, util para derivar pa-
rametros meteorol ogicos requeridos por los modelos de calidad del aire. El modelo utiliza un
sistema de coordenadas de seguimiento del terreno permitiendo estiramiento horizontal (La-
prise, 1992). Se usa la discretizacion horizontal de Arakawa. Una descripcion m as detallada
se presenta en Wang et al. (2004) y Skamarock et al. (2005).
Como un modelo de mesoescala, WRF ofrece diferentes opciones para seleccionar la m as
id onea para una regi on y aplicacion de interes. En la tabla 1-4 se muestran las opciones de
parametrizacion que posee WRF y los diferentes esquemas que permiten parametrizar los
diferentes fen omenos fsicos que se tienen en cuenta para simulaciones atmosfericas.
El modelo WRF ha probado ser una herramienta para la comunidad cientca dado que
soporta anidados que permiten que la simulaci on meteorologica se enfoque sobre una regi on
de interes, mejorando los resultados del dominio m as no. Esto debido a que la mayora de
aplicaciones que involucran datos de campos meteorol ogicos para calidad del aire involucran
un anidado no (Hass et al., 1997, Menut et al., 2005), es decir, alta resoluci on.
Entre las principales ventajas de correr WRF en una simulaci on con una interacci on de
dos vas se pueden encontrar:
Permite que los procesos de escala muy na resueltos en el dominio anidado afecten el
ujo de escala sin optica, es decir, afecten al dominio grueso.
Tabla 1-4. Opciones disponibles para la simulacion de procesos atmosfericos
Esquema Esquema Esquema Esquema Esquema Esquema
parametrizacion Microsica
Capa super-
cial
Supercie tie-
rra
cumulus
Capa lmite
planetaria
Radiacion de
onda corta
Radiacion de
onda larga
Purdue Lin
Similarity
theory (Eta)
Noah LSM
Betts-Miller-
Janjic
Yonsei Uni-
versity (YSU)
PBL
MM5 (Dud-
hia) Shortwa-
ve
Eta Geophy-
sical Fluid
Dynamics
Laboratory
(GFDL)
Onda Larga
Kessler (MM5)
5-layer ther-
mal diusion
Kain-Fritsch
Medium
Range Fore-
cast Model
(MRF) PBL
MM5 (Dud-
hia) Shortwa-
ve
Rapid Radia-
tive Trans-
fer Model
(RRTM)
Onda Larga
WSM3
Similarity
theory (PX)
Rapid Up-
date Cycle
(RUC) Model
LSM
Grell-Devenyi
Mellor-
Yamada-
Janjic (MYJ)
PBL
Goddard
Shortwave
CAM Onda
Larga
WSM5
Pleim-Xiu
LSM
Grell-3
Asymmetrical
Convective
Model version
2 (ACM2)
PBL
CAM Short-
wave
Eta Geophy-
sical Fluid
Dynamics
Laboratory
(GFDL)
Shortwave
WSM6
Eta GCP
Thompson
Debido a que las soluciones en el dominio principal toman poco tiempo computacional
y recurso de memoria, las condiciones del modelo se pueden ubicar lo mas alejado del
centro del dominio de simulacion, por tal motivo, la inuencia de los errores de las
condiciones de frontera dentro del area de interes se reducen. Por ejemplo, la velocidad
de propagaci on de una onda en un modelo vara con el n umero de puntos de grilla
usados para representar la onda. Una onda bien resuelta se pronosticar a de forma
correcta, mientras que una onda mal resuelta se pronosticara a una velocidad mucho
menor que su velocidad real (Warner, 1997).
El uso de estas condiciones de frontera dentro de un modelo con las mismas bases
fsicas y din amicas reducen la inuencia de errores asociados con datos m as antiguos
y con diferentes coordenadas verticales, topografa y fsica del modelo. Por esto, las
capacidades de anidamiento del WRF han permitido que datos con alta resolucion sean
corridos sobre areas limitadas, de esta forma, los campos meteorologicos generados por
WRF se usan para alimentar al paquete de modelizaci on meteorologica Calmet, el cual
puede correr con resoluciones mucho m as nas que el WRF. Tales modelos tienen el
potencial de usar la informaci on contenida en los datos resueltos por el WRF, para
resolver los efectos de un terreno con una escala mucho mas na. Errores en la salida
22 1 Introducci on
de un modelo de mesoescala se afectan por la calidad de las predicciones producidas
por las condiciones de frontera (Warner, 1997), donde los errores en el dominio del
modelo global se pasar an al dominio o inclusive se amplicaran.
La gura 1.5.3 muestra una conguracion de un dominio anidado de una corrida de WRF
para alimentar el sistema de modelizacion Calmet/Calpu. En ella se puede ver las posibles
Figura 1-3. Conguraciones posibles de anidados en interaccion de dos vas
loot> Slill.Show \'ftndow tlelp
" 'I
. ,
r;:::;:::;;;::;i ")
2
to add notes
,
Skl elof l

lor holp
'2iiOfflCeonline
Corr.ec!. to _=ft 0I!ice
-
Get 111< """'" about usi1g
_.
Lat< h 1st
from 11><....,
Mor. "
0"."'--____ .....

Pr=ta!lOn1
.. 1aO:>r>o> 1
13' More ..
conguraciones de interaccion de 2 vas. La gura a muestra una interacci on de dos vas
tipo telescopico, mientras que la gura b muestra un anidado del mismo nivel. Las guras
c y d muestran dos tipos de anidados no posibles, donde las guras con x, indican que esas
conguraciones no son posibles.
1.5.4. Modelizacion atmosferica con Calmet
Modelo meteorologico Calmet
Calmet es un modelo meteorol ogico que desarrolla campos horarios de viento y campos de
temperatura tridimensional en un dominio de modelizaci on grillado. El diagrama de ujos
del sistema de modelizaci on gura 1-4 provee un revision de los datos de entradas requeridos
por el modelo as como los pasos de preprocesamiento usados para ello (Scirre,2006). Calmet
est a dise nado para ejecutarse con observaciones superciales y observaciones meteorologicas
de niveles altos de la troposfera. Datos geofsicos son requeridos por el modelo incluyendo
campos grillados de terreno y categoras de uso del suelo (albedo, rugosidad supercie, rela-
ci on de Bowen). Para el calculo de los campos meteorologicos, el modulo de diagnostico usa
Figura 1-4. Diagrama de ujo para el sistema de modelizaci on Calmet
una aproximaci on de dos pasos para el c alculo de los campos de viento. En el primer paso,
el campo de vientos inicial se ajusta por los efectos cinematicos del terreno, pendiente del
terreno y efectos del bloqueo para producir un campo de vientos en el paso 1. El segundo
paso consiste de un procedimiento de an alisis objetivo e introducci on de datos medidos en el
paso 1 para producir el campo de vientos nal (Scire et al., 2000). El paso 1 de campos de
vientos usa la aproximacion de Liu Y Yocke (1980) para evaluar los efectos cinem aticos del
terreno. Los vientos se usan para calcular la velocidad vertical de forzamiento del terreno.
24 1 Introducci on
Los efectos cinematicos del terreno en la componente horizontal del viento se eval uan apli-
cando un esquema de minimizaci on de la divergencia a las condiciones iniciales del campo
de viento. La magnitud del ujo ascendente/descendente se parametriza en terminos de la
parametrizacion ujo de tiro (ow shooting). El esquema de divergencia se aplica iterativa-
mente hasta que se obtenga un valor menor a un valor umbral. La pendiente se parametriza
en terminos de la pendiente del terreno, distancia a la cresta y ujo de calor local sensible.
Los efectos termodinamicos del terreno en el campo de ujo se parametrizan en terminos del
n umero de Froude local (Scire et al., 2000).
El segundo paso del procedimiento involucra la introducci on de los datos observacionales
en el paso 1 del campo de vientos a traves de procedimiento de analisis objetivo. El campo
de vientos resultante se ajusta por un suavizamiento basado en el metodo de OBrien (permi-
te que el c alculo de la velocidad vertical sea realista a traves de un proceso de minimizaci on
de divergencia) nalmente produciendose el campo de viento en el paso 2 (Scire et al., 2000).
El uso del metodo de OBrien es una caracterstica opcional de Calmet.
Calmet requiere de observaciones superciales horarias de velocidad del viento, direccion
de la temperatura, cobertura nubosa, humedad relativa y precipitacion. Los datos meteoro-
l ogicos incluyen perles verticales de velocidad del viento, direcci on del viento, temperatura,
presi on atmosferica y elevaci on.
Introduccion de campos de pronostico
El modelo Calmet contiene una opci on que permite la introducci on de campos meteorol ogicos
generados por modelos meteorologicos de mesoescala como datos de entrada. El procedimien-
to permite que el modelo de pronostico corra con una resoluci on horizontal mucho mas na
y diferente resoluci on vertical que la usada en el modelo de diagn ostico. Esta opcion permite
que ciertas caractersticas de los campos meteorologicos tales como los sistemas de circu-
lacion mar-tierra, puedan ser capturados en los datos observacionales superciales y sean
introducidos en los campos resultantes en el modelo de diagn ostico.
Si los datos del modelo de mesoescala se usan como campo inicial de pruebas, los datos
se interpolan a la escala na de Calmet. El modelo de diagn ostico entonces ajusta el campo
inicial para efectos cinem aticos del terreno, ujos ascendentes y efectos de bloqueo usando
una escala mucho m as na para producir el campo de vientos en el paso 1. Una segun-
da aproximaci on es usar los datos del modelo de mesoescala directamente como el campo
de vientos en el paso 1. As se ajustan los datos observacionales pero los datos de terreno
no. Una tercera opci on est a disponible y trata los datos grillados como observaciones en el
procedimiento de an alisis objetivo.
1.5.5. Modelo de dispersion Calpu
Calpu es un modelo de dispersi on de tipo bocanada, lagrangiano, grillado y no estacionario,
que puede simular los efectos de condiciones meteorol ogicas variantes espacial y temporal-
mente en el transporte, remoci on de contaminantes h umeda y seca, y transformaci on de
contaminantes a traves de reacciones qumicas. El modelo simula bocanadas continuas emi-
tidas de una fuente al medio ambiente. Como el ujo cambia de hora a hora, la trayectoria
de cada bocanada cambia a la direcci on del viento nuevo (Scire et al., 2006).
Calpu usa un sistema grillado consistente de un arreglo de grilla horizontal y vertical y
m ultiples capas verticales para simular el comportamiento de la PBL. Se deben denir dos
grillas en el modelo Calpu, grilla meteorologica y grilla computacional. La grilla meteorol o-
gica dene la extensi on sobre la cual el uso del suelo, vientos y otras variables meteorol ogicas
se denen. La grilla computacional dene la extension del computo de la concentraci on de
contaminantes y se requiere que sea identica o un subconjunto de la grilla meteorologica. La
gr aca 1-5 provee una revisi on de los datos de entrada requeridos por el modelo. Uno de los
Figura 1-5. Diagrama de ujo para el sistema de modelizaci on Calpu
CALPUFF
Inventario de emisiones Calmet.dat Calpuff.inp archivo control
Campos de concentraciones
de contaminantes
Archivos series
de tiempo
Graficas de
contaminantes
Resumen de niveles
de contaminantes
Calpost.lst
criterios de dise no del modelo Calpu requieren la capacidad de modelar los efectos de las
transformaciones qumicas en una manera consistente con la formulaci on de bocanada del
modelo. El modulo qumico de Calpu contiene 4 opciones para modelar procesos qumicos.
Un mecanismo de reacci on qumico de primer orden para la conversi on de SO
2
a SO
4
y NO
x
(NO + NO
2
) a NO
()
3
. Este mecanismo est a basado en el esquema de trans-
26 1 Introducci on
formaci on qumico usado en MESOPUFF II (Scire et al., 2000), e incorpora las mas
signicativas mejoras para modelar tasa de transformaciones en condiciones variantes
espacial y temporalmente.
El esquema RIVAD/ARM3, el cual considera el proceso de adici on al NO
2
a la con-
versi on de NO
3
y SO
2
a SO
4
, con el equilibrio de gases entre el HNO
3
y aerosol de
amonio nitroso.
Tasa de transformaci on en ciclos de 24 horas. Esta opcion permite la simulaci on del
comportamiento de la tasa de transformaci on dependiente de la hora del da
Sin transformaciones qumicas. Una opci on se provee para complementar el c alculo
de las transformaciones qumicas. Esto reduce el requerimiento computacional para
simulaciones o contaminantes para transformaciones qumicas no signicativas.
1.5.6. Calpost
Calpost es un programa dise nado para promediar y reportar las concentraciones de contami-
nantes basado en los ujos horarios contenidos en la salida de Calpu. Un rango amplio de
opciones se pueden seleccionar y los resultados pueden ser reportados en diferentes formatos.
Las diferentes opciones de Calpost incluyen:
Seleccion del periodo de ejecucion.
Seleccion de especie qumica.
Opcion para incluir receptores grillados o discretos.
Opcion para incluir las 50 concentraciones mas altas.
Opcion para seleccionar ujos de concentraciones para das especcos.
Opcion para seleccionar series de tiempo de ujo de concentraci on para das seleccio-
nados.
Opcion para agregar archivo externo de concentracion base (background).
1.5.7. Evaluacion de la modelizacion meteorologica
Los modelos de calidad del aire son poderosas herramientas para predecir el destino de los
contaminantes emitidos a la atm osfera. La dispersi on atmosferica es controlada principal-
mente por la turbulencia en la capa lmite planetaria. La turbulencia es un proceso aleatorio
y no puede ser descrito a traves de propiedades estadsticas b asicas. Como resultado, siempre
se encontrara una variacion natural que ocurre en los campos de concentraciones medidos
de contaminantes. De otro lado, la incertidumbre en el resultado del modelo puede deberse
a otros factores tales como errores en los datos de entrada o en la formulaci on fsico-qumica
del problema. Debido a estos efectos de la incertidumbre, no es posible para un modelo de
calidad del aire ser perfecto, y siempre tendra una base de la cantidad de dispersion que no
puede ser removida (Chang and Hanna, 2004).
La incertidumbre total en el modelo se puede determinar entre las observaciones y pre-
dicciones del modelo a traves de la aplicacion de indicadores de calidad de los datos que
reejan la habilidad de un modelo para simular los fen omenos del mundo real (Borrego, et
al., 2008). M as all a de la dicultad para denir indicadores para la evaluaci on de un modelo,
las aplicaciones de tales indicadores ayudan a entender las limitaciones del modelo y proveen
un soporte para la comparaci on entre modelos.
Existen tres componentes para la evaluaci on de modelos de calidad del aire: cientca, es-
tadstica y operacional (Chang y Hanna, 2004). En la evaluaci on cientca, los algoritmos,
aproximacion fsicas, qumicas y codigo se examinan en detalle para analizar su ecacia, e-
ciencia y sensibilidad. En la evaluacion estadstica, las predicciones del modelo se examinan
para ver que tan bien coinciden las observaciones con los datos modelados. La evaluaci on
operacional consiste principalmente en errores relacionados con la sencillez del modelo (gua
del usuario, interfase del usuario, etc.)
Discusiones de las evaluaciones de modelos de calidad del aire y el desarrollo de metodos
de evaluaci on general se han desarrollado por muchos cientcos; sin embargo, evaluaciones
est andar no existen. Tradicionalmente, las predicciones de los modelos se comparan direc-
tamente a las observaciones, pero esta comparacion puede causar errores debido a que la
incertidumbre en las observaciones y las predicciones provienen de diferentes fuentes (Chang
and Hanna, 2004). Delle Monache et al. (2006) propuso una descomposici on del la raz del
error medio cuadr atico en dos partes, un componente sistem atico que reeja la porcion de
error debido al modelo y un error no sistematico que reeja la dependencia de los errores de
la condiciones iniciales y los errores que resultan en las deciencias del modelo. Concerniente
a la porcion de error debido a las condiciones de frontera y condiciones iniciales Pielke (2002)
propuso un error de la raz media cuadratica. Hanna et al. (1993) recomendo un conjunto de
estadsticos cuantitativos para la evaluaci on de modelos estadsticos, el cual ha sido usado
ampliamente en muchos estudios (Nappo and Essa, 2001; Ichikawa and Sada, 2002) y se han
adoptado como un marco de referencia para la evaluaci on de modelos por el Marco Com un
Europeo para la Evaluaci on de Modelos Common European Model Evaluation Framework
(Olesen, 2001).
28 1 Introducci on
1.5.8. Evaluacion de la dispersion de contaminantes
La evaluaci on de la ejecuci on de un modelo de dispersion es una materia de gran interes y
se convierte en una parte importante en el campo de la modelizaci on de la calidad del aire.
Una variedad de metricas estadsticas se usan para comparar las concentraciones modeladas
y observadas. Por ejemplo, la media del sesgo (MdnB) y la media del sesgo normalizado
(NMdnB) se usan como medidas del sesgo del modelo. La mediana del error (MdnE), y el
rmse se usan como medidas del error del modelo. La mediana es preferida sobre la media
debido a que el PM
10
generalmente no se distribuye normalmente, y por lo tanto es una
medida de tendencia central mejor.
Estudios realizados por Sivacoumar y Thanasekaran (1999); Karppinen et al., (2000) estable-
cen la utilidad del ndice de concordancia y otros par ametros estadsticos para la evaluacion
del modelo de dispersi on. Debido que la distribuci on para los contaminantes atmosfericos
es cercana a la distribuci on log-normal para la mayora de contaminantes atmosfericos, la
fracci on del sesgo (FB) puede excederse muy f acilmente o inuenciado por observaciones
infrecuentes o con altas concentraciones, donde la media geometrica logartmica del sesgo
(MG) y la variancia geometrica (VG) pueden proveer un mejor balance de valores extre-
mos. La fracci on de prediccion dentro de 2 observaciones (FAC2) es la medida m as robusta,
debido a que es una herramienta para remover valores extremos y una forma de mejorar
resultados de an alisis estadstico. Zannetti (1990) discuti o la aplicacion de varios parametros
estadsticos, los cuales se utilizan para la comparaci on de datos modelados y medidos, entre
los que se encuentran rmse, coeciente de correlacion, coeciente de regresion e ndice de
concordancia.
En general, las metricas usadas para la validaci on de un modelo de dispersion incluyen las
recomendadas por (Olesen, 1995), tales como sesgo, rmse, coeciente de correlacion, valor
medio, desviacion standard, fracci on de la prediccion dentro de un valor de 2, entre otras.
La tabla 1-5 muestra un resumen de los estadsticos usados en la validacion de campos
meteorol ogicos
Atmospheric Model Evaluation Tool (AMET)
En la actualidad los modelos de calidad del aire se usan para investigacion, prediccion, es-
trategias de regulacion de emision de contaminantes, entre otras aplicaciones. Los resultados
del modelo de calidad del aire est an estrechamente relacionados con el modelo meteorologico
que conduce a la dispersion, deposici on qumica de transporte, y los procesos qumicos. De
esta forma, los sistemas de modelizacion deben ser evaluados considerando todos los compo-
nentes del modelo (Hogrefe et al. 2001). La aplicaci on de evaluaci on de modelos atmosfericos
AMET (Atmospheric Model Evaluation Tool), ha sido desarrollado para examinar el error
y la incertidumbre en la simulaci on meteorologica. AMET combina las observaciones me-
teorol ogicas con los correspondientes valores estimados en el espacio y tiempo, almacenando
las parejas de datos en una base de datos relacional. Programas subsecuentes extraen datos
especcos de la base de datos para producir un analisis estadstico, gr acas y tablas.
AMET est a basado en un modulo que combina las observaciones del modelo con datos
medidos y un modulo de an alisis estadstico, los cuales se conectan a traves de una base de
datos.
Modulo de emparejamiento de las observaciones/salida del modelo
El m odulo de comparacion de observaciones es el paso inicial para el proceso de evaluacion.
Este ciclo combina a traves de cada paso de tiempo de la salida del modelo con cada obser-
vacion meteorol ogica. Estas observaciones se almacenan en la memoria incluyendo informa-
ci ones tales como observaciones meteorol ogicas, identicacion de la estaci on, identicaci on
de la red meteorologica, elevaci on y posici on geograca. La posici on geograca del sitio de
observaci on a lo largo del dominio se usa para calcular el ndice de grilla de la salida del mo-
delo que corresponde al sitio de observacion. El usuario puede especicar la opcion que tome
el modelo para encontrar el punto de grilla mas cercano, vecino mas cercano o interpolacion
bilineal usando los 4 puntos de grilla mas cercana. Estos valores de insertan junto con la
dem as informacion para construir una base de datos. Esto se repite para cada observacion y
para cada paso de tiempo de la salida del modelo
La columna vertebral es la base de datos relacional. La base de datos relacional en el sistema
AMET es MySQL, la cual es una de las m as populares y ampliamente usada en servidores.
Un benecio de las bases de datos relacionales es que las parejas de datos se almacenan con
otras informaciones acerca de las observaciones(es decir, sitio, latitud, longitud, elevaci on
y uso del suelo) en una forma que permite el an alisis de la informacion. Adicionalmente,
la base de datos separa el emparejamiento del proceso de an alisis, permitiendo que los da-
tos sean ledos por aplicaciones externas tales como Matlab, Excel y otros paquetes de analisis
La evaluacion del modelo se realiza por el modulo de analisis estadstico de AMET, el cual es
una colecci on de varios programas que generan a traves de unos scripts un analisis estadstico
y gr acas. Estos programas requieren que el usuario seleccione criterios que determinen las
caractersticas del analisis. Luego a la base de datos se le solicita una tabla en particular
generando los estadsticos.
30 1 Introducci on
1.6. Problema de contaminacion en Bogota
La contaminaci on atmosferica es uno de los principales problemas que estan afectando a
la sociedad de hoy en da, debido al impacto que tiene en la salud p ublica y en general la
calidad de vida de la poblaci on, dicha contaminacion puede ser debida a diferentes factores
como son la gran cantidad de industrias, el parque automotor, el desarrollo tecnol ogico, entre
otros. En Bogot a, se ha detectado un aumento del problema de contaminacion en la ulti-
ma decada, sobre todo en algunas localidades del distrito como Puente Aranda, Fontib on y
Kennedy, donde en ocasiones se ha superado la norma anual en cuanto a material particulado.
La identicaci on del problema de contaminacion del aire en Bogot a ha sido posible gra-
cias a que desde el a no de 1997 la ciudad cuenta con una moderna red de monitoreo de
la calidad del aire (RMCAB) la cual se encarga de medir los principales contaminantes y
variables meteorol ogicas. La informaci on suministrada por esta red de monitoreo es utilizada
para establecer las tendencias de contaminacion en la ciudad y para entender las variables
meteorol ogicas que determinan dichas tendencias. Actualmente, la mitad de las estaciones
de monitoreo de la ciudad exceden los lmites establecidos, siendo el PM
10
y O
3
el mayor
problema (Informe anual de calidad del aire de Bogot a,2009).
De acuerdo a los registros de la RMCAB, en Bogot a no se presenta un problema de conta-
minacion del aire para SO
2
, NO
2
y CO. Para el caso de SO
2
, los niveles de contaminaci on
casi nunca superan la norma anual que rige para la ciudad (26 ppb), as como para la norma
diaria y de 3 horas. De igual forma, se observa que para las concentraciones de NO
2
, las
cuales tpicamente son inferiores a la norma anual de la ciudad (53 ppb). Para el ozono
troposferico y el CO se observan concentraciones relativamente bajas en la ciudad, que para
el caso de este ultimo contaminante suelen ser inferiores a 5 ppm (Informe anual de calidad
del aire de Bogot a, 2009).
Contrario a lo observado para CO, NO
2
, SO
2
y O
3
, las concentraciones atmosfericas de
material particulado superan los valores establecidos por la reglamentaci on ambiental de la
ciudad. En particular, en la zona industrial de Bogota (localidad de Puente Aranda), dichas
violaciones a la norma se presentan de manera permanente desde hace varios a nos. Los datos
reportados por la RMCAB representan una evidencia importante de que el principal con-
taminante del aire en la ciudad de Bogota es el material particulado (Gaitan et al.,2007).
Esto signica que durante una proporci on signicativa de tiempo, los habitantes de la ciu-
dad se encuentran expuestos a niveles de contaminaci on por material particulado que son
considerados como inadecuados por entidades como la Agencia de Proteccion Ambiental de
los Estados Unidos y la Organizaci on Mundial de la Salud.
1.6 Problema de contaminaci on en Bogot a 31
1.6.1. Red de calidad del aire de Bogota y qumica atmosferica
El Distrito Capital cuenta con la Red de Monitoreo de Calidad del Aire de Bogota

U RM-
CAB, que permite recolectar informacion sobre la concentraci on de contaminantes de origen
antropogenicas y natural y el comportamiento de los factores meteorologicos que regulan el
transporte de los mismos en la atm osfera. En la tabla 1-6 se muestra un resumen de las
estaciones de monitoreo de Bogot a y los contaminantes medidos. Dentro de los contami-
nantes monitoreados cabe resaltar el PM
10
, las partculas suspendidas totales (PST) y el
(O
3
), dado que sus concentraciones promedios superan los lmites establecidos. Los dem as
contaminantes (CO, NO
2
y SO
2
) est an presentes en concentraciones bajas y no representan
riesgo para la salud de la poblacion. En cuanto al PM
10
durante lo corrido del a no 2009 las
concentraciones de este contaminante tendieron a reducirse, hecho al que pueden contribuir
diferentes factores entre los que contamos la meteorologa y el mejoramiento de la calidad
del diesel que se distribuye en la ciudad en cumplimiento del compromiso adquirido por
ECOPETROL( Informe anual de calidad del aire de Bogot a, 2009).
Por otro lado, el PST cont o con un analizador ubicado en la estacion Carvajal (Sector suroc-
cidental), el cual super o la norma anual en 40 umg/m
3
. Para los promedios de 24 horas, solo
el 0.1 % del total de registros obtenidos excedi o la norma. Para el contaminante PM
2,5
, se
registraron 1535 excedencias a la norma EPA de los promedios de medias moviles de 24 horas
(35 umg/m
3
), correspondientes a un 25.3 % de los datos recolectados y el promedio anual fue
de 30 umg/m
3
, dos veces m as que el valor de referencia de la Environment Protection Agency
(EPA) (15 umg/m
3
. En cuanto a los gases contaminantes, se resalta que el SO
2
nunca exce-
di o los lmites permisibles para los promedios horarios, 24 horas, ni anuales. Las estaciones
Carvajal y Tunal, que pertenecen a los sectores suroccidental y sur respectivamente, exhi-
ben los mayores promedios. El monitoreo del NO
2
permitio establecer el comportamiento
de este contaminante en la ciudad, encontr andose que en la estacion Parque Simon Bolvar
se registraron cinco datos de promedios horarios por encima de la norma, con un promedio
m aximo de 128 ppb frente a 106 ppb de la norma. Los promedios de 24 horas y anuales
no superaron la norma en ninguna oportunidad. Los registros de concentraciones de CO
permitieron determinar que este contaminante se encuentra en bajas concentraciones en la
ciudad, pues los datos no superan los valores de la norma horaria, sin embargo, dos datos
de promedios octohorarios de la estaci on Parque Simon Bolvar alcanzaron un valor de 9.6
ppm, registros superiores a la norma que establecida en 8.8 ppm.
Finalmente, el reporte de concentraciones de O
3
, presenta concentraciones que superan los
lmites m aximos establecidos en la norma, tanto para el promedio horario como el promedio
de 8 horas, en casi todas las estaciones que monitorearon este contaminante.
32 1 Introducci on
1.6.2. Aspectos climatologicos
La region de estudio posee una temperatura promedio de 15rC, que puede oscilar entre los
-10rC y los 24rC. Las temporadas secas y lluviosas se alternan durante todo el a no; los meses
m as secos son diciembre, enero, febrero y marzo; durante los meses m as lluviosos, abril, mayo,
septiembre, octubre y noviembre la temperatura es m as estable, con oscilaciones entre los
9rC y los 20rC. Junio, julio y agosto son los meses de fuertes vientos y mayor oscilaci on de la
temperatura; durante el alba se suelen presentar muy bajas temperaturas, llamadas heladas,
que afectan la agricultura. Es com un tambien la presencia de granizo.
1.6.3. Escenario Topograco
Ubicada en el centro del pas, en la cordillera oriental, ramal de los Andes y perteneciente
al altiplano cundiboyacense, la capital del pas conocida como la Sabana de Bogot a, tiene
una extensi on aproximada de 33 kilometros de sur a norte y 16 kil ometros de oriente a
occidente y se encuentra situada en las siguientes coordenadas: Latitud Norte: 4r 3556
y Longitud Oeste de Greenwich: 74r0451 dentro de la zona de conuencia intertropical,
produciendo dos epocas de lluvia; en la primera mitad del a no en los meses de marzo, abril
y mayo y en la segunda en los meses de septiembre, octubre y noviembre. Descansa sobre
la extensi on noroccidental de la cordillera de Los Andes en una sabana con gran variedad
de climas, tipos de suelos, cuerpos de aguas y otras formaciones naturales. La orientaci on
general de la ciudad, esta determinada porque sus carreras son orientadas de sur a norte y
sus calles de oriente a occidente. Su altura media est a en los 2.600 metros sobre el nivel del
mar (www.bogota.gov.co). La gura 1-6 muestra un fotografa de la ciudad de Bogot a.
Figura 1-6. Fotografa de la ciudad de Bogot a
Norte: Municipio de Cha.
1.7 Problema de investigaci on 33
Oriente: Cerros orientales y los municipios de la Calera, Choach, Ubaque, Chipaque,
Une y Gutierrez
Sur: Departamentos del Meta y del Huila.
Occidente: Ro Bogota y municipios de Cabrera, Venecia, San Bernardo, Arbel aez,
Pasca, Sibate, Soacha, Mosquera, Funza y Cota.
Los municipios que rodean a Bogota se encuentran de sur a norte Mosquera, Madrid, Funza,
Facatativa, Subachoque, El Rosal, Tabio, Tenjo, Cota, Cha, Cajic a, Zipaquira, Nemocon,
La Calera, Sop o, Tocancipa, Gachancipa, Sesquile, Chocont a y Guatavita.
1.7. Problema de investigacion
El modelo de dispersi on gaussiano Calpu puede ser usado para la predicci on de la concen-
traci on de contaminantes alimentado a traves de su paquete de diagn ostico (representan el
estado actual de la atm osfera en los sitios de medicion, pero su precisi on es limitada por la
insuciencia espacial y temporal de los datos) o el paquete de pronostico (predicen las varia-
bles meteorologicas resolviendo las ecuaciones de la din amica atmosferica y no requieren una
red extensiva de observaciones para generar los campos meteorol ogicos). Para modelar las
concentraciones, Calpu como modelo de tipo no estacionario requiere observaciones meteo-
rol ogicas horarias o menores y observaciones meteorologicas de niveles altos de la troposfera
al menos dos veces al da.
La red de monitoreo de calidad del aire RMCAB cuenta con 16 estaciones (incluidas una
estaci on m ovil y dos meteorol ogicas), ubicadas en puntos estrategicos de la ciudad que mo-
nitorean las concentraciones de material particulado (PM
10
, PM
2,5
, PST), de gases conta-
minantes (SO
2
, NO
2
, CO, O
3
) y los par ametros meteorologicos de precipitacion, vientos,
temperatura, radiaci on solar y humedad relativa. Sin embargo, la continuidad, representa-
tividad temporal (varia entre 60 % y 70 % la representatividad temporal) y espacial de las
series de datos meteorol ogicas no son lo sucientemente representativas del dominio a simu-
lar como para generar los campos meteorol ogicos con el paquete de diagn ostico de Calmet
Por ejemplo, la estacion Chico presenta variaciones de la velocidad del viento en direcci on
norte, muy posiblemente esta variaci on sea por los edicios que se encuentran al lado de la
estaci on y que perturban dicho parametro.
Para solucionar estas limitaciones, los datos de la capa supercial y de la capa lmite plane-
taria requeridos por el modelo Calpu, se calculan usando el modelo meteorologico Calmet
alimentado a traves del modelo de mesoescala WRF. Para esto, se ha desarrollado un pre-
procesador para el acoplamiento o-line (no-directo) entre WRF y Calpu. De esta forma,
34 1 Introducci on
se permite que la dispersion de contaminantes en la ciudad de Bogota sea modelada a traves
de un modelo meteorol ogico y un modelo de dispersi on.
1.7 Problema de investigaci on 35
T
a
b
l
a
1
-
5
.
I
n
d
i
c
a
d
o
r
e
s
e
s
t
a
d
s
t
i
c
o
s
p
a
r
a
e
v
a
l
u
a
c
i
o
n
d
e
m
o
d
e
l
o
s
d
e
c
a
l
i
d
a
d
d
e
l
a
i
r
e
E
s
t
a
d
i
s
t
i
c
o
F
o
r
m
u
l
a
R
a
n
g
o
d
e
v
a
l
o
r
e
s
a
c
e
p
t
a
b
l
e
s
V
a
l
o
r
i
d
e
a
l
O
b
s
e
r
v
a
c
i
o
n
C
o
e
c
i
e
n
t
e
d
e
c
o
r
r
e
l
a
c
i
o
n
r
=
ni
=
1
(
C
o
i
C
o
)
(
C
p
i
C
p
)
p
0
U
1
1
.
0
C
o
y
C
p
s
o
n
l
a
s
c
o
n
c
e
n
t
r
a
c
i
o
n
e
s
m
o
d
e
l
a
d
a
s
y
m
e
d
i
d
a
s
.
F
r
a
c
c
i
o
n
d
e
l
s
e
s
g
o
F
B
=
C
0
C
p
0
,
5
(
C
o
+
C
p
)
(
-
2
)
U
2
0
.
0
C
o
a
n
d
C
p
s
o
n
k
a
s
c
o
n
c
e
n
t
r
a
c
i
o
-
n
e
s
p
r
o
m
e
d
i
a
s
m
o
d
e
l
a
d
a
s
y
m
e
-
d
i
d
a
s
.
R
a
z
d
e
l
e
r
r
o
r
m
e
d
i
o
c
u
a
-
d
r
a
t
i
c
o
r
m
s
e
=
1n
(
ni
=
1
(
C
o
i
C
p
i
)
2
)
n
o
d
i
s
p
o
n
i
b
l
e
0
.
0
o
y
p
s
o
n
l
a
s
d
e
s
v
i
a
c
i
o
n
e
s
s
t
a
n
-
d
a
r
d
d
e
l
a
s
c
o
n
c
e
n
t
r
a
c
i
o
n
e
s
m
o
-
d
e
l
a
d
a
s
y
m
e
d
i
d
a
s
.
D
e
s
v
i
a
c
i
o
n
s
t
a
n
d
a
r
d
n
o
r
-
m
a
l
i
z
a
d
a
N
S
D
=
o
0
-
1
1
.
0
E
r
r
o
r
m
e
d
i
o
c
u
a
d
r
a
t
i
c
o
n
o
r
m
a
l
i
z
a
d
o
N
M
S
E
=
(
C
0
C
p
)
2
C
o
C
p
n
o
d
i
s
p
o
n
i
b
l
e
0
.
0
p
r
o
m
e
d
i
o
d
e
l
s
e
s
g
o
a
b
s
o
l
u
-
t
o
n
o
r
m
a
l
i
z
a
d
o
A
N
B
=
(
(
C
o
C
p
)
C
o
)
n
o
d
i
s
p
o
n
i
b
l
e
0
.
0
m
e
d
i
a
d
e
l
s
e
s
g
o
g
e
o
m
e
t
r
i
-
c
o
M
G
=
(
l
n
(
C
o
)
l
n
(
C
p
)
)
>
0
1
.
0
V
a
r
i
a
n
z
a
g
e
o
m
e
t
r
i
c
a
G
V
=
e
x
p
(
l
n
(
C
o
)
l
n
(
C
p
)
)
2
>
0
1
.
0
C
o
i
y
C
p
i
s
o
n
l
a
s
c
o
n
c
e
n
t
r
a
c
i
o
-
n
e
s
m
o
d
e
l
a
d
a
s
y
m
e
d
i
d
a
s
e
n
l
a
s
e
s
t
a
c
i
o
n
e
s
d
e
m
o
n
i
t
o
r
e
o
i
;
n
e
s
e
l
n
u
m
e
r
o
d
e
e
s
t
a
c
i
o
n
e
s
f
r
a
c
c
i
o
n
d
e
p
r
e
d
i
c
c
i
o
n
d
e
n
t
r
o
d
e
u
n
f
a
c
t
o
r
d
e
2
F
B
=
C
p
C
o
0
.
5
-
2
1
.
0
n
d
i
c
e
d
e
c
o
n
c
o
r
d
a
n
c
i
a
d
=
1
ni
=
1
(
C
p
i
C
o
i
)
2
ni
=
1
(
C
p
i
C
p
o
)
+
(
C
o
i
C
o
)
0
-
1
1
.
0
36 1 Introducci on
Tabla 1-6. Grupo de estaciones meteorol ogicas de la red de calidad del aire de Bogota
Estacion Localidad Sector PM
10
PST PM
2,5
SO
2
NO
2
CO O
3
Usaquen Usaquen Norte X X X
Sagrado Co-
razon
Santa Fe Centro X X X
Carvajal Kennedy Suroccidente X X X X X X
Tunal Tunjuelito Sur X X X X X X
Parque Si-
mon Bolvar
Barrios Uni-
dos
Centro X X X X X X
Las Ferias Engativa Norte X X X X X X
San Cristo-
bal
San Cristo-
bal
Sur X X X X X
Guaymaral Suba Norte
Kennedy Kennedy Suroccidente X X X X X
Chico Lago Chapinero Centro X X X X
Suba Suba Noroccidente X X X X
Puente
Aranda
Puente
Aranda
Suroccidente X X X X X
Fontibon Fontibon Suroccidente X X X X X
2. Metodologa
La preparaci on de la simulaci on meteorologica y la modelizaci on de la calidad del aire se
desarroll o en 4 partes. En la primera parte se escogi o la fecha a simular, se seleccion o la
informaci on meteorol ogica y los datos de contaminantes. En la segunda parte se selecciona-
ron los dominios que permitieran la simulacion de los campos meteorol ogicos, informaci on
valiosa para ingresar al modelo de dispersi on. En la tercera parte se validaron las salidas del
WRF, escogiendo a traves de una an alisis estadstico, los campos meteorologicos que tuvieran
menores valores de sesgo, desviaci on standard y Mae para generar las condiciones iniciales
para alimentar a Calmet. La cuarta parte consto de la ejecucion del modelo meteorologico
Calmet, alimentado por medio de campos de pronostico a partir de la salida del WRF; en
esta parte, se ejecut o el modelo de dispersi on Calpu, alimentado a traves de la salida del
modelo meteorologico Calmet, determinando las zonas con mayores niveles de contaminantes.
La seleccion del periodo a simular se bas o en la disponibilidad de datos meteorologicos y
de contaminantes. Por esta raz on, se selecciono el periodo de simulacion entre el 1 de di-
ciembre del a no 2009 hasta el da 8 de diciembre del a no 2009. En la tabla 2-1 se muestran
las estaciones de la red de calidad del aire que se usaron para la validaci on de los campos
meteorol ogicos y los datos de contaminantes.
2.1. Modelizacion meteorologica con WRF
El area o dominio de modelizaci on considerada en este estudio corresponde a la gura 2-1
y tiene su origen en las coordenadas geogr acas 4.05rN, 73.74rW. Para la simulaci on me-
teorol ogica con WRF se dise no una triple interaccion de dos vas, partiendo de un dominio
con una resoluci on de 30km con 100x93 puntos de grilla (D1), el cual cubre toda la parte
continental de Colombia, el territorio Venezolano, Ecuatoriano, parte del territorio de Brasil,
Nicaragua, Costa Rica y Panam a, el cual se espera que capture las caractersticas de escala
sin optica que afecta los patrones locales de circulaci on y mejore los resultados para el domi-
nio D3 (Warner, 1997).
El primer dominio anidado (D2) utiliza una resoluci on espacial de 10km y 193x163 pun-
tos de grilla abarcando toda la parte continental de Colombia y parte martima, y algunas
zonas de Venezuela, Ecuador, Per u, Panama y Brasil. El segundo dominio anidado (D3)
utiliza una resolucion horizontal de aproximadamente 3.3km con 274x 202 puntos de grilla,
38 2 Metodologa
Tabla 2-1. Grupo de estaciones meteorol ogicas de la red de calidad del aire de Bogota
Estaci on meteorol ogica Longitud Latitud
Carvajal -74.14 4.595
Fontib on -74.14 4.67
GuaymaraL -74.04 4.78
Kennedy -74.16 4.62
Las Ferias -74.08 4.69
Parque Simon Bolvar -74.08 4.65
Puente Aranda -74.11 4.63
San Cristobal -74.08 4.57
Suba -74.09 4.76
Tunal -74.13 4.57
Usme -74.14 4.50
Usaquen -74.03 4.70
Vitelma -74.07 4.57
cubriendo principalmente la zona centro del territorio colombiano.
La topografa y uso del suelo se interpolaron de Modis con una resolucion espacial apro-
piada de 10m, 5m y 2m para los dominios D1, D2 y D3, respectivamente. Se utilizaron los
datos de uso de suelo del modelo Moderate-Resolution Imaging Spectroradiometer (MODIS)
dado que ubican todas las mayores areas urbanas de Colombia en su sitio real e incluso
representan los picos de los nevados con la categora de nieve (Pab on, 2010). Las condiciones
iniciales y de frontera se tomaron a partir de la salida del modelo global Global Forecast
System (GFS) con una resolucion horizontal de 40km y una resolucion temporal de 3 horas.
Las simulaciones meteorol ogicas se realizaron para el periodo del a no 2009; desde el 27
de noviembre a las 00 h hasta 8 de diciembre a las 00 h (hora local). El dominio D1 comenz o
su simulacion meteorologica a las 00 h del 27 de noviembre, mientras que el dominio D2
comenz o su simulaci on 48 horas despues; as mismo el dominio D3 comenz o su simulacion
24 horas m as tarde. El primer da del periodo de simulacion del dominio D3 se tomo como
tiempo de arranque (Warner, 1997), mientras que los das restantes de las simulaciones se
usaron para la validaci on de los campos meteorol ogicos, es decir, 144 horas.
2.1.1. Parametrizacion del modelo WRF
Varios esquemas de parametrizaciones fsicas se encuentran disponibles en el modelo WRF
versi on 3.2.1. Una serie de pruebas se realizaron variando algunas opciones fsicas para la
2.1 Modelizaci on meteorologica con WRF 39
Figura 2-1. Figura del dominio
simulaci on del periodo en an alisis (Borge et al., 2008), iniciando de las opciones en la tabla
2-2 .
El modelo meteorol ogico WRF incluye una serie de parametrizaciones de c umulos cuyo inten-
ci on es representar ujos verticales debido a movimientos ascendentes y descendentes dentro
de la nubes, debido a que estos ujos pueden ser resueltos explcitamente para el dominio D3
(Skamarock et al., 2005), esta parametrizaci on para este dominio no se incluy o en el estudio.
Pero no unicamente la simulacion de la precipitaci on es sensitiva al esquema de parametri-
zaci on de precipitaci on empleada en ese dominio, Warner y Hsu (2000) describieron que la
precipitacion en un dominio no o anidado es sensible a la parametrizaci on convectiva que
se emplea en los alrededores de ese dominio. Por esta raz on, para los dominios exteriores
al dominio D3, se tomo una conguraci on b asica por defecto. En una carpeta adjunta se
muestra los archivos en formato ascii de la conguraci on de cada uno de los casos propuestos
40 2 Metodologa
Tabla 2-2. Esquemas de parametrizaciones disponibles en WRF, versi on 3.2.1
Microfsica
Capa super-
cial
Supercie-tierra
Capa lmite pla-
netaria
Radiacion de
onda corta
Radiacion de
onda larga
Purdue Lin
Similarity
theory
(MM5)
5-layer thermal
diusion
Medium Range
Forecast Model
(MRF) PBL
MM5 (Dudhia)
Shortwave
Rapid Radiative
Transfer Model
(RRTM) Onda
Larga
WSM6
Similarity
theory (Eta)
Noah LSM
Yonsei Univer-
sity (YSU) PBL
Goddard Short-
wave Eta
Geophysical
Fluid
Dynamics Labo-
ratory (GFDL)
Shortwave
Thompson
Similarity
theory (PX)
Rapid Update
Cycle (RUC)
Model LSM
Mellor-Yamada-
Janjic (MYJ)
PBL
CAM Shortwave
denominados namelist.input(casos) donde aparecen todas las variables del modelo.
El impacto de la parametrizaci on de la capa lmite planetaria en aplicaciones de calidad
del aire se ha estudiado ampliamente (Mao et al., (2006), Perez et al., (2006)). Entre las
opciones m as usadas para parametrizar la capa lmite planetaria se encuentran: Mellow-
Yamada-Janjic (MYJ), Yonsei University (YSU) y Medium Range Forecast Model (MRF).
La microfsica de nubes incluye vapor de agua resuelto explcitamente, nubes y procesos de
precipitacion.

Unicamente los m as realistas y complejos esquemas de microfsica se incluye-
ron en la simulaci on (Skamarock et al., 2005), WSM6 (Hong y Lim, 2006), Pardue Lin (Chen
y Sun, 2002) y Thompson (2004). La radiaci on solar es uno de los principales elementos para
la din amica de la capa lmite planetaria. Los esquemas de radiacion en WRF proveen calen-
tamiento atmosferico debido a ujo radiactivo divergente y radiaci on de onda larga saliente
y radiacion de onda corta saliente. Los esquemas de radiaci on que se utilizaron fueron Rapid
Radiative Transfer Model (RRTM) (Mlawer et al., 1997), Eta Geophysical Fluid Dynamics
Laboratory (GFDL) (Schwarzkopf and Fels, 1991) y NCAR Community Atmospheric Model
(CAM) (Collins et al., 2002). Los esquemas incluidos en la modelizacion son el esquema Eta
Geophysical Fluid Dynamics Laboratory (GFDL) (Lacis and Hansen, 1974), MM5 Shortwa-
ve scheme (Dudhia, 1989) y el esquema Goddard (Chou and Suarez, 1994). La tabla 2-3
muestra un resumen de los par ametros que se usaron para la simulaci on meteorologica La
tabla 2-4 muestra los casos que se usaron para la simulacion de los campos meteorol ogicos
en el dominio D3.
2.2 Modelizaci on meteorologica con Calmet 41
Tabla 2-3. Diferentes tipos de esquemas usados para la modelizacion atmosferica
PBL Microsica Onda larga Onda Corta
Yonsei University (YU) PBL WSM6 RRTM GFDL
Mellor-Yamada-Janjic (MYJ) Thompson GFDL MM5
Medium Range Forecast Model Purdue Lin scheme CAM RRTM
2.1.2. Validacion de la modelizacion meteorologica de WRF
De las metodol ogicas disponibles para la evaluaci on de modelos meteorologicos se selecciono
el enfoque cl asico de comparaci on de los resultados del modelo con las mediciones Gilliam
et al., (2006), el cual en su mayora est a basado en comparaci on con datos de supercie.
Basado en Borge et al.,( 2010) se seleccionaron como variables a validar las componente U
(velocidad zonal) y V (velocidad meridional) del viento a 10 m de altura y temperatura del
ambiente a una altura de 2 m. Errores en esta variable de altura son de interes, debido a
que puede afectar las concentraciones de ciertos tipos de contaminantes estimados por los
modelos de calidad del aire.
Los script de AMET generan todo un conjunto de estadsticos que permiten la validacion de
los modelos meteorol ogicos, pero procedimientos estadsticos para tal n no existen (Hanna
et al., 2000), por lo cual para la validacion de la salida de WRF se utilizan los estadsticos
denidos en Comet(2001). Para evaluar el desempe no del modelo meteorologico se calcularon
estadsticos utilizando la herramienta AMET, que utiliza la tecnologa de base de datos para
almacenar observaciones meteorol ogicas y sus respectivas observaciones modeladas, as co-
mo otras caractersticas tales como: coordenadas de la estaci on, elevaci on, uso del suelo, red
de observaciones y fecha. Una variedad de metricas estadsticas se usan para comparar los
campos modelados con los campos medidos. La raz media del error cuadratico (rmse), error
medio absoluto (Mae) permite calcular el error total del modelo, el sesgo permite calcular
el error sistematico del modelo, mientras que la desviaci on est andar (DesvStand) permite
calcular el error no sistem atico del modelo (Comet, 2001). Para un resumen de las ecuaciones
m as usadas para la validaci on de campos meteorol ogicos ver la tabla 1-5
2.2. Modelizacion meteorologica con Calmet
El area o dominio de la modelizaci on considerada en este estudio, corresponde a la que se
muestra en gura 2-2 y tiene su origen en las coordenadas UTM-E: 562.880Km, UTM-N:
478.165Km. Desde este origen, el dominio considera 70 kil ometros en la direccion este y 70
kilometros en la direccion norte, cubriendo un area de 4900 kil ometros cuadrados. La tabla
2-5 muestra los puntos extremos de la topografa del dominio a simular. Calmet se alimenta
a traves de la salida de los campos meteorol ogicos del WRF, esto se logra como un ejemplo
42 2 Metodologa
Tabla 2-4. Resumen de esquemas usados para el modelizaci on
PBL Microsica Onda larga Onda corta
caso01 Yonsei University WSM6 RRTM GFLD
caso02 Yonsei University Thompson GFLD GFLD
caso03 Yonsei University Purdue Lin RRTM RRTM
caso04 Mellor-Yamada-Janjic WSM6 RRTM GFLD
caso05 Mellor-Yamada-Janjic Thompson GFLD GFLD
caso06 Mellor-Yamada-Janjic Purdue Lin RRTM RRTM
caso07 Yonsei University WSM6 GFLD GFLD
caso08 Yonsei University Thompson RRTM MM5
caso09 Yonsei University Purdue Lin RRTM RRTM
caso10 Mellor-Yamada-Janjic WSM6 GFLD GFLD
caso11 Mellor-Yamada-Janjic Thompson RRTM MM5
caso12 Mellor-Yamada-Janjic Purdue Lin RRTM RRTM
caso13 Medium Range Forecast Model WSM6 RRTM GFLD
caso14 Medium Range Forecast Model Thompson GFLD GFLD
caso15 Medium Range Forecast Model Purdue Lin RRTM RRTM
caso16 Medium Range Forecast Model Purdue Lin RRTM MM5
caso17 Medium Range Forecast Model WSM6 GFLD GFLD
caso18 Medium Range Forecast Model Thompson RRTM MM5
2.3 Inventarios de emisiones 43
Figura 2-2. Figura del dominio a simular con Calmet
Tabla 2-5. Puntos extremos del dominio a simular
Esquina X UTM Y UTM
SE 632.880981 478.165
SW 562.880 478.165
NW 562.880 548.958
NE 632.880 548.958
del acoplamiento no directo entre un modelo de mesoescala y el modelo de dispersi on (Grell
et al., 2010), en el cual se desarrolla un preprocesador que permite que la salida del modelo
meteorol ogico se ingrese al modelo Calmet. Calmet posee varias opciones que le permiten
tomar los campos meteorol ogicos obtenidos a traves de un modelo de pron ostico como datos
de entrada al modelo Calmet. Entre las opciones que Calmet posee para seleccionar la entrada
de datos se encuentran:
2.3. Inventarios de emisiones
El inventario de emisiones para la ciudad de Bogot a fue tomado de Pe naloza(2010). Los
resultados arrojados por el inventario de emisiones corresponden a archivos de texto que
contienen las emisiones de las fuentes m oviles y jas distribuidas en cada una de las horas
44 2 Metodologa
Tabla 2-6. Consolidado de emisiones horarias, fuentes moviles
Opcion Uso de campos grillados como campos de entrada al modelo Calmet
13 Uso de campos grillados del modelo de mesoescala como el paso 1
14 Uso de campos grillados del modelo de mesoescala como campo inicial de pruebas
15 uso de campos grillados del modelo de mesoescala como observaciones
del da tpico, en cada una de las 3.025 celdas en las que se dividi o el dominio modelado.
Los mayores contaminantes emitidos por las fuentes m oviles en el dominio de simulaci on
son CO, COV, con emisiones de aproximadamente 700 Ton/a no y 101 Ton/a no. Mientras
que el compuesto qumico con la menor descarga es PM
10
.
En la tabla 2-7 se muestra los valores consolidados del comportamiento en el tiempo de
las emisiones estimadas.
Para las fuentes jas, el principal contaminantes es NO
x
con una cantidad de aproximada-
mente 2500 Ton/a no, siguiendo en segundo lugar el SO
2
con una emisi on de 200 Ton/a no.
Las emisiones de material particulado es de 1000 Ton/a no. La distribucion temporal de las
emisiones por fuente jas se muestra en la tabla 2-8.
Tabla 2-7. Consolidado de emisiones horarias, fuentes moviles
Hora CO [Ton/h] NOx [Ton/h] PM
10
[Ton/h] S02 [Ton/h] COV [Ton/h
1 17,37 1,25 0,02 0,31 2,58
2 12,02 0,94 0,02 0,22 1,79
3 9,81 0,89 0,02 0,19 1,47
4 9,81 0,97 0,02 0,20 1,48
5 15,15 1,63 0,04 0,31 2,32
6 54,93 5,49 0,18 1,07 8,48
7 98,06 8,38 0,26 1,79 15,30
8 122,25 9,47 0,27 2,17 19,03
9 108,56 8,93 0,26 1,98 16,72
10 107,69 9,02 0,26 1,99 16,54
11 106,85 9,18 0,27 2,00 16,36
12 107,03 9,06 0,26 1,99 16,37
13 108,23 9,10 0,26 2,03 16,44
14 109,23 9,03 0,25 2,03 16,59
15 118,09 9,60 0,26 2,19 17,95
16 114,26 9,48 0,27 2,11 17,50
17 110,43 9,28 0,27 2,03 17,06
18 118,78 9,43 0,27 2,14 18,44
19 114,68 8,74 0,24 2,05 17,62
20 112,39 8,45 0,20 2,05 16,83
21 93,39 7,15 0,18 1,71 13,93
22 78,00 5,92 0,14 1,43 11,64
23 55,52 4,14 0,10 1,01 8,32
24 34,26 2,42 0,04 0,61 5,07
Los m aximos para CO y COV se presentan a las 08:00; para NOx y SO
2
(Figura 11), las
mayores emisiones se presentan a las 13:00, y para PM
10
, a las 17:00.
2.3.1. Comportamiento temporal y espacial de contaminantes PM 10
En las gracas 2-3,2-4,2-5 y 2-6 se puede analizar la evoluci on temporal y espacial del
contaminante PM
10
para la ciudad de Bogot a en algunas horas tpicas. En la secci on de
anexo se muestran todas las gr acas correspondientes al da tpico. Las emisiones mas altas
se pueden observar en la zona industrial conformada por las localidades de Puente Aranda,
Fontib on y Kennedy, tambien se presentan emisiones altas en el sur de la ciudad, principal-
mente en la localidad de Usme. Esta area presenta una alta densidad de hornos que queman
46 2 Metodologa
Tabla 2-8. Consolidado de emisiones horarias, fuentes jas
Hora CO [Ton/h] NOx [Ton/h] PM
10
[Ton/h] S02 [Ton/h]
Hora CO NOV SOx PM
10
1 0,04 0,19 0,13 0,09
2 0,04 0,20 0,13 0,09
3 0,05 0,20 0,13 0,09
4 0,05 0,21 0,14 0,09
5 0,05 0,21 0,15 0,09
6 0,05 0,22 0,17 0,10
7 0,06 0,24 0,21 0,12
8 0,06 0,25 0,23 0,13
9 0,07 0,26 0,24 0,13
10 0,07 0,27 0,24 0,13
11 0,08 0,28 0,26 0,14
12 0,08 0,31 0,31 0,17
13 0,08 0,30 0,29 0,17
14 0,07 0,29 0,29 0,16
15 0,07 0,28 0,26 0,14
16 0,07 0,27 0,25 0,13
17 0,07 0,27 0,24 0,13
18 0,06 0,25 0,21 0,12
19 0,05 0,23 0,20 0,11
20 0,05 0,22 0,16 0,10
21 0,05 0,21 0,16 0,10
22 0,05 0,20 0,14 0,09
23 0,04 0,19 0,13 0,09
24 0,04 0,18 0,12 0,09
Figura 2-3. Emisiones de PM
10
para las 01:00
10
para las 06:00
carbon en el proceso de coccion del ladrillo. Las emisiones de PM
10
son particularmente altas
para fuentes que emplean carb on como combustible (Pe naloza,2010).
48 2 Metodologa
10
para las 12:00
10
para las 18:00
2.4 Modelizaci on de la calidad del aire con Calpu 49
2.4. Modelizacion de la calidad del aire con Calpu
El area o dominio de modelizaci on para Calpu corresponde a la misma area denida para
las simulaciones con Calmet, gura 2-2. Las simulaciones de dispersi on de contaminantes
se realizaron para el periodo del a no 2009 desde el 01 de diciembre a las 00 h hasta 8 de
diciembre a las 00h (hora local). Debido a los altos niveles de PM
10
en la ciudad de Bogota
los cuales superan las concentraciones promedio maximos permisibles por la norma (Reso-
luci on 601 de 2006), se tom o PM
10
como contaminantes a simular. Para la validacion de
contaminantes se tom o 1 da de la simulacion como un tiempo de arranque, mientras que la
validaci on se realizo para el resto de la simulacion.
La gura 2-7 muestra los niveles promedios de contaminacion de PM
10
para la ciudad
de Bogota para el a no 2009. En esta gura es posible ver cu ales son las estaciones con mayor
concentracion de PM
10
.
Figura 2-7. Diagrama de caja para el contaminante PM
10
para la ciudad de Bogota
-50
50
150
250
350
450
550
650
C
a
r
v
a
j
a
l

F
o
n
t
i
b
o
n
G
u
a
y
m
a
r
a
l

K
e
n
n
e
d
y
L
a
s

F
e
r
i
a
s

P
a
r
q
u
e

S
i
m
o
n

B
o
l
i
v
a
r

P
u
e
n
t
e

A
r
a
n
d
a
S
a
g
r
a
d
o

C
o
r
a
z
o
n

S
u
b
a

T
u
n
a
l
U
s
a
q
u
e
n

Primer cuartil Valor minimo Valor maximo Mediana Tercel cuartil
2.4.1. Analisis de datos
Con el objetivo de validar la salida del modelo, las concentraciones modeladas se comparan
con las concentraciones de la red de calidad del aire usando varias aproximaciones diferentes.
Primero, los resultados se tabulan y las predicciones se comparan con los datos directamente.
Segundo, muchos estadsticos pueden ser usados para evaluar los resultados, pero el rmse
se seleccion o como un indicador de una buena ejecucion. Este estadstico ubica un peso
50 2 Metodologa
estadstico en valores mayores, debido a que la diferencia entre las concentraciones observadas
y modeladas (CpiCo) es normalmente m as alta en las m as altas concentraciones. Entre mas
bajo el valor de rmse, mejores son los resultados de la ejecuci on del modelo. Ademas se utiliza
un diagrama de cajas para hacer un an alisis exploratorio de los datos. La comparaci on nal
involucra el c alculo del sesgo fraccional en cada estaci on de monitoreo. El sesgo fraccional
(FB) es una medida de la ejecucion del modelo usada para determinar si un modelo cumple
los requisitos mnimos para ejecuci on operacional (US EPA 1992).
3. Resultados
3.1. Validacion de la modelizacion meteorologica con
WRF
De todos los casos que se propusieron en la tabla 2-4 como candidatos para la simulaci on de
los campos meteorol ogicos, no todos pudieron ser ejecutados dado que algunos presentaron
errores de inestabilidad numerica, error de segmentaci on o incompatibilidad entre algunos de
los esquemas propuestos al momento de ser ejecutados. Hay que aclarar que la entrada de los
datos de velocidad a los modulos de AMET se hace a traves de sus componentes, mientras
que el analisis de resultados se presenta a traves de la magnitud y direcci on.
La tabla 3-1 muestra los resultados de las salidas resultantes de los casos que se utiliza-
ron para la simulacion meteorol ogica de la temperatura a 2m. Las tablas 3-2 y 3-3 muestran
los resultados de las salidas de los casos que se utilizaron para la validaci on del viento a
10m. Hay que tener en cuenta que la incertidumbre en los resultados del modelo puede
deberse a una representaci on incompleta de la din amica de la atm osfera, tecnicas de solu-
ciones numericas, selecci on de la resolucion del dominio de simulaci on errada, estructura del
tipo de grilla, errores en los datos de entrada (condiciones iniciales y de frontera), por lo
cual siempre habr a una grado de incertidumbre, la cual no es posible remover del modelo
(Chang and Hanna, 2004), raz on por la que los campos meteorol ogicos nunca ser an perfectos
y habra una base de dispersi on que no podr a ser removida. De la tabla de estadsticos se
puede observar que el caso que mejor resuelve los campos meteorol ogicos comparados con
los campos medidos es el caso 13, el cual posee las mejores aproximaciones, especialmente en
los campos de temperatura y velocidad del viento, a partir del an alisis estadstico obtenido
a traves de AMET. Basado en lo anterior, las condiciones iniciales para alimentar la corrida
de Calmet fueron tomadas de la salida del caso 13 (tabla 3-4), con el objeto de generar los
campos meteorologicos que se usaran para la corrida de Calpu.
3.1.1. Analisis del caso13
En la gura 3-1 y la gura 3-2 se pueden ver los diagramas de caja para los datos medidos
y simulados de temperatura y velocidad del viento. Se puede observar que la temperatura
y la velocidad promedio del viento es modelada bastante bien por el modelo meteorol ogico.
52 3 Resultados
Tabla 3-1. Estadsticos para la evaluaci on de la temperatura a altura de 2m [grados cent-
grados]
DesvStand Mae sesgo rmse
caso01 5.03 4.28 1.39 5.22
caso02
caso03 4.99 4.16 1.39 5.18
caso04
caso05
caso06
caso07 4.86 4.16 1.69 5.14
caso07
caso08
caso09 5.01 4.18 1.35 5.18
caso10
caso11
caso12
caso13 4.85 4.00 0.93 4.93
caso14 4.81 4.10 1.54 5.05
caso15 4.93 4.08 1.09 5.05
caso16 4.95 4.13 1.25 5.10
caso17 4.96 4.10 1.05 5.07
caso18 4.79 4.09 1.50 5.02
En las guras 3-3y 3-4 se puede observar el comportamiento de algunos estadsticos y
su valor asociado en cada una de las estaciones. Estas guras muestran el problema de
la heterogeneidad de los campos meteorol ogicos y la importancia de seleccionar de forma
correcta los sitios de la estaciones, dado que es imposible para un modelo simular todos los
puntos del dominio con la misma precisi on, es decir, la incertidumbre en los campos no ser a
la misma en todo el dominio.
3.1 Validacion de la modelizacion meteorol ogica con WRF 53
Tabla 3-2. Estadsticos para la evaluacion de velocidad del viento a 10m [m/s]
desvStand Mae sesgo rmse
caso01 1.86 1.45 -0.21 1.87
caso02
caso03 1.75 1.34 -0.03 1.75
caso04
caso05
caso06
caso07 1.93 1.45 0.02 1.93
caso08
caso09 1.79 1.34 -0.05 1.79
caso10
caso11
caso12
caso13 1.68 1.31 -0.40 1.72
caso14 1.83 1.41 -0.17 1.84
caso15 1.75 1.35 -0.25 1.77
caso16 1.70 1.32 -0.13 1.70
caso17 1.68 1.29 -0.14 1.69
caso18 1.88 1.46 -0.13 1.89
Figura 3-1. Diagrama de caja para temperatura promedio medida y promedio observada
para el dominio de simulacion

Se puede ver de la tabla anterior que no todos los casos que se propusieron en
la metodologa pudieron generar un conjunto de estadsticos, dado que algunos
que ellos generaron errores de inestabilidad numrica, segmentation fault o
despus de algn tiempo no iniciaron su proceso.
De la tabla de estadsticos se puede observa que el caso que mejor resuelve los
campos meteorolgicos es el caso 13, el cual posee las mejores
aproximaciones.
En la siguiente grafica se puede ver un diagrama de cajas para los valores
modelados y los valores de temperatura para el caso13.

54 3 Resultados
Tabla 3-3. Estadsticos para la evaluaci on de la direccion del viento a 10m [grados cent-
grados]
desvStand Mae sesgo rmse
caso01 99.78 86.53 18.74 101.48
caso02
caso03 103.07 90.19 16.84 104.38
caso04
caso05
caso06
caso07 102.00 86.76 9.53 102.39
caso08
caso09 100.63 87.14 13.30 101.44
caso010
caso011
caso012
caso13 100.08 84.63 11.99 100.74
caso14 99.29 85.80 16.61 100.61
caso15 102.46 87.12 10.10 102.90
caso16 98.62 84.02 12.41 99.34
caso17 100.85 86.56 13.71 101.72
caso18 97.00 81.55 11.40 97.61
Tabla 3-4. Parametros de la conguraci on del caso13
caso13 Medium Range Forecast Model WSM6 RRTM GFLD
Figura 3-2. Diagrama de caja para la magnitud de la velocidad del viento promedio medida
y promedio observada para el dominio de simulacion [m/s]
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o o o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o o
o
o o
o
o
o
o
o o
o
o
o o
o
o
o
o
o
o
o
o
o o o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o o o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o o
o
o
o
o
o o
o
o o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
oo
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
o
0 1 2 3 4 5 0
1
2
3
4
5
Observed
P
r
e
d
i
c
t
e
d
ObservationModel Scatter
o o
o
o o
o
2 4 6 8 10
2
0
2
4
6
Observed Range
S
t
a
t
i
s
t
i
c
s

V
a
l
u
e
Statistical Metrics versus Observation Range
StDev
MAE
BIAS
Obs Mod
0
2
4
6
8
Obs and Mod Box Plots
Model Performance Statistics
* Stats are normalized by observation range
Data count 1152
Correlation 0.0054737
Standard Deviation 1.6836
Mean Absolute Error 1.3176
Mean Bias 0.4016
*Mean Fractional Bias (%) 26.482
*Mean Normalized Bias (%) 4.5164
*Mean Normalized Error (%) 20.785
*Normalized Mean Bias (%) 5.0922
*Normalized Mean Error (%) 16.706
RootMeanSqrError 1.7299
Index of Agreement 0.0051357
56 3 Resultados
Figura 3-3. Sesgo para la velocidad del viento en cada una de las estaciones de monitoreo
de calidad del aire de Bogota
ANTONIO NARIO
BARRIOS UNIDOS
BOSA
CANDELARIA
CHAPINERO
CIUDAD BOLIVAR
ENGATIVA
FONTIBON
KENNEDY
LOS MARTIRES
PUENTE ARANDA
RAFAEL URIBE URIBE
SAN CRISTOBAL
SANTA FE
SUBA
TEUSAQUILLO
TUNJUELITO
USAQUEN
Carvajal
Fontibn
Kennedy
Las Ferias
Parque Simn Bolvar
Puente Aranda
San Cristbal
Suba
Tunal
Usme
Usaqun
Vitelma
G
G
G
G
G
G
G
G
G
G
G
G
G
10
5
4
3
2
1
0
1
2
3
4
5
10
Mean bias of Daily Wind Speed (m/s) Date: BETWEEN 20091203 AND 20091207
Figura 3-4. Sesgo para la temperatura modelada en cada una de las estaciones de monitoreo
ANTONIO NARIO
BARRIOS UNIDOS
BOSA
CANDELARIA
CHAPINERO
CIUDAD BOLIVAR
ENGATIVA
FONTIBON
KENNEDY
LOS MARTIRES
PUENTE ARANDA
RAFAEL URIBE URIBE
SAN CRISTOBAL
SANTA FE
SUBA
TEUSAQUILLO
TUNJUELITO
USAQUEN
Carvajal
Fontibn
Kennedy
Las Ferias
Parque Simn Bolvar
Puente Aranda
San Cristbal
Suba
Tunal
Usme
Usaqun
Vitelma
G
G
G
G
G
G
G
G
G
G
G
G
G
10
5
4
3
2
1
0
1
2
3
4
5
10
Mean bias of Daily 2 m Temperature (C) Date: BETWEEN 20091203 AND 20091207
58 3 Resultados
Figura 3-5. Sesgo para la direcci on del viento en cada una de las estaciones de monitoreo
ANTONIO NARIO
BARRIOS UNIDOS
BOSA
CANDELARIA
CHAPINERO
CIUDAD BOLIVAR
ENGATIVA
FONTIBON
KENNEDY
LOS MARTIRES
PUENTE ARANDA
RAFAEL URIBE URIBE
SAN CRISTOBAL
SANTA FE
SUBA
TEUSAQUILLO
TUNJUELITO
USAQUEN
Carvajal
Fontibn
Kennedy
Las Ferias
Parque Simn Bolvar
Puente Aranda
San Cristbal
Suba
Tunal
Usme
Usaqun
Vitelma
G
G
G
G
G
G
G
G
G
G
G
G
G
10
5
4
3
2
1
0
1
2
3
4
5
10
Mean bias of Daily 2 m Temperature (C) Date: BETWEEN 20091203 AND 20091207
Figura 3-6. Desviacion estandar para la temperatura a 2m en cada una de las estaciones
de monitoreo de calidad del aire de Bogota.
ANTONIO NARIO
BARRIOS UNIDOS
BOSA
CANDELARIA
CHAPINERO
CIUDAD BOLIVAR
ENGATIVA
FONTIBON
KENNEDY
LOS MARTIRES
PUENTE ARANDA
RAFAEL URIBE URIBE
SAN CRISTOBAL
SANTA FE
SUBA
TEUSAQUILLO
TUNJUELITO
USAQUEN
Carvajal
Fontibn
Kennedy
Las Ferias
Parque Simn Bolvar
Puente Aranda
San Cristbal
Suba
Tunal
Usme
Usaqun
Vitelma
G
G
G
G
G
G
G
G
G
G
0
1
2
3
4
5
6
7
8
9
Standard Deviation of Daily 2 m Temperature (C) Date: BETWEEN 20091203 AND 20091207
60 3 Resultados
Figura 3-7. Desviaci on estandar para la direcci on del viento en cada una de las estaciones
de monitoreo de calidad del aire de Bogota
ANTONIO NARIO
BARRIOS UNIDOS
BOSA
CANDELARIA
CHAPINERO
CIUDAD BOLIVAR
ENGATIVA
FONTIBON
KENNEDY
LOS MARTIRES
PUENTE ARANDA
RAFAEL URIBE URIBE
SAN CRISTOBAL
SANTA FE
SUBA
TEUSAQUILLO
TUNJUELITO
USAQUEN
Carvajal
Fontibn
Kennedy
Las Ferias
Parque Simn Bolvar
Puente Aranda
San Cristbal
Suba
Tunal
Usme
Usaqun
Vitelma
G
G
G
G
G
G
G
G
G
G
0
1
2
3
4
5
6
7
8
9
Standard Deviation of Daily Wind Speed (m/s) Date: BETWEEN 20091203 AND 20091207
Figura 3-8. Desviacion est andar para la velocidad del viento en cada una de las estaciones
de monitoreo de calidad del aire de Bogota
ANTONIO NARIO
BARRIOS UNIDOS
BOSA
CANDELARIA
CHAPINERO
CIUDAD BOLIVAR
ENGATIVA
FONTIBON
KENNEDY
LOS MARTIRES
PUENTE ARANDA
RAFAEL URIBE URIBE
SAN CRISTOBAL
SANTA FE
SUBA
TEUSAQUILLO
TUNJUELITO
USAQUEN
Carvajal
Fontibn
Kennedy
Las Ferias
Parque Simn Bolvar
Puente Aranda
San Cristbal
Suba
Tunal
Usme
Usaqun
Vitelma
G
G
G
G
G
G
G
G
G
0
10
20
30
40
50
60
70
80
Standard Deviation of Daily Wind Direction (Deg.) Date: BETWEEN 20091203 AND 20091207
62 3 Resultados
Analisis diurno de los estadsticos
En las guras 3-9, 3-10 y 3-11 se muestra el comportamiento de los estadsticos de desviacion
standard, sesgo y el error medio absoluto promediados para el periodo de simulaci on. En ellos
se puede analizar el comportamiento de la incertidumbre de los campos meteorol ogicos y
determinar en que horas del da el error inducido por el modelo meteorologico en los campos
de concentraciones es mayor. Por ejemplo, a partir de la gura 3-9 se puede concluir que el
modelo meteorologico esta subestimando la temperatura supercial en la ma nana, mientras
que en horas del medio da la sobreestima.
Figura 3-9. Figura de la desviaci on standard, sesgo y el error medio absoluto promediados
para la temperatura modelada
Time of Day (UTC)
E
v
a
l
u
a
t
i
o
n

M
e
t
r
i
c

(
K
)

0 3 6 9 12 15 18 21
1
1
2
3
4
5
sdev
mae
bias
Diurnal Statistics for 2 m Temperature
para la direcci on del viento
Time of Day (UTC)
E
v
a
l
u
a
t
i
o
n

M
e
t
r
i
c

(
d
e
g
)

0 3 6 9 12 15 18 21
3
0
0
2
0
4
0
6
0
9
0
sdev
mae
bias
Diurnal Statistics for 10 m Wind Direction
para la velocidad del viento
Time of Day (UTC)
E
v
a
l
u
a
t
i
o
n

M
e
t
r
i
c

(
m
/
s
)

0 3 6 9 12 15 18 21
1
0
1
2
3
sdev
mae
bias
Diurnal Statistics for 10 m Wind Speed
64 3 Resultados
3.2. Resultados de la modelizacion atmosferica con
Calmet
Para generar los campos meteorologicos a partir del modelo meteorol ogico Calmet, se toma-
ron como condiciones iniciales la salida del caso13 de WRF. Las simulaciones meteorol ogicas
se realizaron para el periodo del a no 2009 desde el 01 de diciembre a las 00 h hasta 8 de
diciembre a las 00 h hora local.
3.2.1. Comportamiento de la capa de mezcla para Bogota
La representaci on de la capa de mezcla juega un rol esencial en la habilidad de los mode-
los para predecir las concentraciones de contaminantes(Vimont and Scire, 1994, Rao et al.,
1994). Existen varias metodologas disponibles para evaluarlas (Batchvarova et al., 1999)
pero datos disponibles para la evaluaci on de todo el periodo de la simulacion no existen,
por lo cual se usan los algoritmos que posee Calmet para analizar el comportamiento de la
capa de mezcla y evaluar cualitativamente el comportamiento de la misma y nalmente su
inuencia en el comportamiento diurno de los niveles de PM
10
.
A partir de los archivos de salida de Calmet, se construyeron mapas empleando el lenguaje
de programaci on R, con el n de visualizar espacialmente el comportamiento de la capa de
mezcla. Se obtuvieron en total 48 mapas para 6 das. S olo se presentan en el documento al-
gunas horas tpicas. Los mapas para todos los horas de simulacion junto con las animaciones
creadas, estan incluidas en el anexo digital, en una carpeta CAPA DE MEZCLA, la cual
se puede encontrar dentro de los resultados nales. En las guras 3-12 y 3-13 se muestran
unos ejemplos del comportamiento de la capa de mezcla
3.2.2. Comportamiento del ujo de calor sensible
El ujo de calor sensible dentro de la PBL es otra de las caractersticas m as notorias que
permiten conocer el comportamiento turbulento e inuencia los procesos de dispersion a
los cuales son sometidos los contaminantes. A partir de los archivos de salida de Calmet,
se construyeron mapas empleando el lenguaje de programaci on R, con el n de visualizar
espacialmente el comportamiento del ujo de calor sensible. Se obtuvieron en total 48 mapas
para 6 dias. S olo se presentan en el documento algunas horas tpicas. Los mapas para todos los
horas de simulaci on junto con las animaciones creadas, estan incluidas en el anexo digital en
una carpeta llamada FLUJO SENSIBLE , la cual se puede encontrar dentro de los resultados
nales. En las guras 3-14 y 3-15 se muestran algunos ejemplos del comportamiento del
ujo de calor sensible. En estas guras se puede ver el comportamiento del ujo de calor
sensible para algunas horas en particular. A partir de este valor el modelo puede precisar el
tipo de estabilidad que se esta presentando en la atm osfera en un punto en particular.
3.2 Resultados de la modelizaci on atmosferica con Calmet 65
Figura 3-12. Altura de la capa de mezcla en el dominio de simulaci on para el da 2 de
diciembre a las 00
Figura 3-13. Altura de la capa de mezcla en el dominio de simulaci on para el da 2 de
diciembre a las 12am
66 3 Resultados
Figura 3-14. Comportamiento del ujo de calor sensible para la fecha 2009-12-07-20:00
Figura 3-15. Comportamiento del ujo de calor sensible para la fecha 2009-12-07-07:00
3.3 Resultados de la simulaci on de dispersi on de contaminantes con Calpu 67
3.3. Resultados de la simulacion de dispersion de
contaminantes con Calpu
En las guras 3-16, 3-17, 3-18,3-19, 3-20, 3-21, 3-23, 3-22 y 3-24 se muestra el compor-
tamiento de la simulaci on del contaminante PM
10
para la ciudad de Bogot a en el periodo
simulado.
Figura 3-16. Niveles de contaminante PM
10
para la ciudad de Bogot a para la estacion
Carvajal
11:00 AM 11:00 PM 11:00 AM 11:00 PM 11:00 AM 11:00 PM 11:00 AM 11:00 PM 11:00 AM 11:00 PM 11:00 AM 11:00 PM
Fecha
0
100
200
300
400
500
u

g
/
m
3
Modelado Medido
Niveles de PM10 para la estacion Carvajal
10
Fontib on
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
50
100
150
200
250
300
u g/m3
Modelado Medido
Estacion Fontibon
68 3 Resultados
10
Guaymaral
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
20
40
60
80
100
120
u g/m3
Modelado Medido
Estacion Guaymaral
10
Kennedy
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
100
200
300
400
u g/m3
Modelado Medido
Estacion Kennedy
10
para la ciudad de Bogota para la estacion Las
Ferias
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
20
40
60
80
100
120
140
u g/m3
Modelado Medido
Estacion Las Ferias
10
Puente Aranda
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
200
400
600
800
1000
u g/m3
Modelado Medido
Estacion Puente Aranda
70 3 Resultados
10
Parque Simon Bolvar
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
100
200
300
400
u g/m3
Modelado Medido
Estacion Simon Bolivar
10
para la ciudad de Bogot a para la estaci on San
Crist obal
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
20
40
60
80
100
120
140
160
u g/m3
Modelado Medido
Estacion San Cristobal
10
Tunal
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
50
100
150
200
250
u g/m3
Modelado Medido
Estacion Tunal
72 3 Resultados
Tabla 3-5. Estadstico de los niveles de contaminantes
Estadstico Carvajal Fontib on Guaymaral Kennedy Ferias Aranda Bolvar Cristobal Tunal
rmse 86.21 51.34 29.93 80.30 29.24 60.46 156.19 41.86 41.75
FB 0.02 -0.10 -1.9502 0.05 -0.31 -0.35 0.61 -0.74 -0.17
Figura 3-25. Diagrama de cajas para los resultados de los niveles de PM
10
modelados
Diagrama de caja para las estaciones meteorologicas
0
100
200
300
400
500
600
700
800
Carvajal Fontibon Guaymaral Kennedy Las Ferias Puente Aranda San Cristobal Simon Bolivar Tunal
El modelo Calpu logra simular de forma correcta los altos niveles de contaminaci on en algu-
nas horas en particular, es decir, resuelve el problema diurno de contaminaci on. Sin embargo,
para algunas horas en particular sobreestima los niveles de PM
10
, mientras que algunas horas
en particular, el modelo no alcanza a resolver el comportamiento diurno, subestimando los
niveles del contaminante. Por ejemplo, las guras correspondientes a las estaciones Carvajal,
Fontib on, Kennedy, Las Ferias, Puente Aranda y Tunal logran resolver el comportamiento
que se presenta en las emisiones m as altas dadas por el inventario de emisiones las cuales se
dan entre la ma nana y el medio da, pero los picos de mayor concentraci on generados en las
horas de la tarde noche no son resueltos por el modelo mostrando un suavizamiento de los
niveles del contaminante o inclusive situaciones contradictorias.
En los resultados de los estadsticos de la tabla 3-5 se puede corroborar que los resulta-
dos con menor concordancia entre el modelo y las observaciones se presentan en la estaci on
Guaymaral que es la que posee el valor de FB con aproximadamente -2, mientras que el
mismo estadstico para las otras estaciones muestra un comportamiento un poco m as acorde
a los valores medidos. En el diagrama de cajas se puede observar como los valores presentan
una poca dispersi on, tal vez debido al suavizamiento que se esta presentando en los datos,
los cuales puede ser el resultado de un error en la modelizacion. Se puede observar que lo
m as notorio que se evidencia es la poca variabilidad que se presenta en cada una de la esta-
ciones, siendo la posici on de la mediana de Carvajal la mas alta; Kennedy y San Cristobal
los segundos promedios con concentraciones mas altas; las de menor concentraci on son Las
Ferias, Parque Sim on Bolvar, Tunal y Guaymaral.
En la gura 3-26 muestra los valores promedio de niveles de contaminaci on debido al PM
10
para la ciudad de Bogot a, en ella se puede ver las zonas mas afectadas las cuales coinciden
con los mayores valores correspondientes al diagrama de cajas. De la misma forma, se puede
observar que las zonas m as afectadas son las zonas circundantes a las zonas denidas por el
inventario de emisi on como las zonas con m as altas emisiones.
74 3 Resultados
10
Suba
Tunal
Usaquen
Kennedy
Fontibn
Carvajal
Guaymaral
Las Ferias
Puente Aranda
Simn Bolvar
Sagrado Corazn
988000
988000
996000
996000
1004000
1004000
1012000
1012000
9
9
0
0
0
0
9
9
0
0
0
0
9
9
9
0
0
0
9
9
9
0
0
0
1
0
0
8
0
0
0
1
0
0
8
0
0
0
1
0
1
7
0
0
0
1
0
1
7
0
0
0
1
0
2
6
0
0
0
1
0
2
6
0
0
0
Niveles de PM10 promedio para Bogot
Escala 1:184.000
Leyenda
Estaciones
27.0 - 36.9
36.9 - 46.9
46.9 - 56.9
56.9 - 66.9
66.9 - 76.9
76.9 - 86.9
86.9 - 96.9
96.9 - 106.9
106.9 - 117
Niveles de PM10 promedio
3.3.1. Analisis de sensibilidad del modelo a la meteorologa
En los acoplamientos de un modelo de mesoescala con un modelo de dispersion las fuentes
de errores provienen de ambos modelos, por ejemplo, tecnicas de modelizacion numericas,
errores en las condiciones de frontera, condiciones iniciales del modelo meteorol ogico, errores
en las condiciones iniciales de los contaminantes y reacciones atmosfericas qumicas y errores
de los inventario de emisiones. La parametrizacion de la capa lmite es la m as importante en
los modelos de dispersion (Hu, 2010), raz on por la cual se analiza el comportamiento de la
altura de la capa de mezcla y se compara su comportamiento temporal con la salida de los
niveles de contaminantes, para identicar el error de los campos meteorol ogicos en la salida
del contaminante PM
10
.
En las guras 3-27, 3-28, 3-29,3-30, 3-31, 3-32, 3-33 y 3-35 se puede ver el comportamien-
to de la capa de mezcla y la fuerte inuencia que tiene sobre los niveles de contaminantes.
Por ejemplo, la capa de mezcla posee un valor excesivamente elevado para las horas de la
noche (18-20) en la mayora de estas guras, simulando una fuerte inestabilidad atmosferica
(fuerte dispersi on) generando el suavizamiento que se observa en todas las gracas y en todas
las horas de este perodo. Mientras, que en las horas de la ma nana la capa de mezcla muestra
un comportamiento un poco mas acorde, sin embargo, el modelo muestra una sobreestima-
ci on la cual podra ser el resultado tanto del error del modelo meteorologico como error del
inventario de emisiones.
10
para la ciudad de Bogot a y capa de mezcla
estaci on Carvajal
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
100
200
300
400
500
u g/m3
Modelado Medido
Estacion Carvajal PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
76 3 Resultados
10
estaci on Fontibon
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
50
100
150
200
250
300
u g/m3
Modelado Medido
Estacion Fontibon PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
10
estaci on Guaymaral
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
20
40
60
80
100
120
u g/m3
Modelado Medido
Estacion Guaymaral PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
10
estaci on Kennedy
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
100
200
300
400
u g/m3
Modelado Medido
Estacion Kennedy PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
10
estaci on Las Ferias
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
20
40
60
80
100
120
140
u g/m3
Modelado Medido
Estacion Las Ferias PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
78 3 Resultados
10
estaci on Puente Aranda
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
200
400
600
800
1000
u g/m3
Modelado Medido
Estacion Puente Aranda PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
10
estaci on San Crist obal
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
20
40
60
80
100
120
140
160
u g/m3
Modelado Medido
Estacion San Cristobal PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
10
estaci on Parque Simon Bolvar
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
100
200
300
400
u g/m3
Modelado Medido
Estacion Parque Simon Bolivar PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
10
estaci on Tunal
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
Dia
0
50
100
150
200
250
u g/m3
Modelado Medido
Estacion Tunal PM10
12/2/09 12:00 12/3/09 00:00 12/3/09 12:00 12/4/09 00:00 12/4/09 12:00 12/5/09 00:00 12/5/09 12:00 12/6/09 00:00 12/6/09 12:00 12/7/09 00:00 12/7/09 12:00
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
A
l
t
u
r
a
(
m
)
Capa de mezcla
80 3 Resultados
Finalmente para analizar la inuencia que tiene la capa de mezcla sobre la dispersi on de
contaminantes, se promediaron los valores del inventario de emisiones para cada una de las
celdas que conforman el dominio de simulacion, es decir, se consider o que las emisiones para
cada una de las 24 horas era constante y el error en los niveles de PM
10
era unicamente
debido a la meteorologa.
En las guras 3-36, 3-37, 3-38,3-39, 3-40, 3-41,3-42 3-43 y 3-44 se puede ver la in-
uencia de la altura de la capa de mezcla en la dispersion de los contaminantes. Por ejemplo,
en la noche se obtiene los mnimos valores de PM
10
, y basado en lo que se observo en la
simulaci on de la capa de mezcla, el modelo sobreestima la altura de la capa de mezcla, in-
diciando la fuerte dispersi on a la que son sometidos los contaminantes, mientras que en las
horas de da, la altura de la capa de mezcla se encuentra del orden de lo esperado y el modelo
predice mejor estos resultados y por ende unos niveles acordes a la realidad. Si la altura de
la capa de mezcla no tuviera inuencia sobre los niveles de PM
10
, los niveles deberan ser
constantes durante el periodo de simulacion.
Figura 3-36. Inuencia de la meteorologa en los niveles de contaminante PM
10
para la
ciudad de Bogot a Estaci on Carvajal
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
100
200
300
400
500
u

g
/
m
3
Modelado Medido
Carvajal
El modelo meteorologico Calmet calcula la altura de la capa de mezcla a traves de dos al-
goritmos: para condiciones inestables calcula la capa de mezcla a traves del algoritmo dado
por (Maul, 1980), mientras que bajo condiciones estables utiliza el algoritmo dado por (Ven-
katram, 1980a) y Zilitinkevich (1972). Sin embargo, cuando el modelo asume condiciones de
neutralidad en la atmosfera, el modelo asume un valor de altura de la capa de mezcla arbitra-
rio, con el objetivo de evitar errores de inestabilidad numerica, lo que genera el suavizamiento
en los niveles de PM
10
que se observa en las guras dadas.
10
para la
ciudad de Bogot a Estaci on Fontib on
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
50
100
150
200
250
u

g
/
m
3
Modelado Medido
Fontibon
10
para la
ciudad de Bogot a Estaci on Guaymaral
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
20
40
60
80
100
120
u

g
/
m
3
Modelado Medido
Guaymaral
82 3 Resultados
10
para la
ciudad de Bogot a Estaci on Kennedy
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
50
100
150
200
250
u

g
/
m
3
Modelado Medido
Kennedy
10
para la
ciudad de Bogot a Estaci on Las Ferias
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
20
40
60
80
100
120
140
u

g
/
m
3
Modelado Medido
Las Ferias
10
para la
ciudad de Bogot a Estaci on Puente Aranda
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
100
200
300
400
500
600
700
u

g
/
m
3
Modelado Medido
Puente Aranda
10
para la
ciudad de Bogot a Estaci on Parque Sim on Bolvar
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
50
100
150
200
250
u

g
/
m
3
Modelado Medido
Simon Bolivar
84 3 Resultados
10
para la
ciudad de Bogot a Estaci on San Crist obal
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
20
40
60
80
100
120
140
160
u

g
/
m
3
Modelado Medido
San Cristobal
10
1100 2300 1100 2300 1100 2300 1100 2300 1100 2300 1100 2300
Fecha
0
50
100
150
200
250
u

g
/
m
3
Modelado Medido
Tunal
4. Conclusiones y recomendaciones
4.1. Conclusiones
El acoplamiento del modelo WRF/Calmet/Calpu se aplico al area de la ciudad de Bogot a
para simular los niveles de PM
10
. Se analizo el desempe no del acoplamiento del WRF/Calpu
para analizar los niveles de PM
10
en la ciudad de Bogot a, tomando la salida del modelo de
mesoescala WRF como datos de entrada al modelo meteorol ogico Calmet a traves del aco-
plamiento no directo entre el modelo de mesoescala WRF y el modelo meteorol ogico Calmet,
utilizando el paquete de pron ostico de Calmet para simular los campos meteorol ogicos en el
dominio de estudio.
La metodologa que se utilizo con la herramienta AMET para la validacion de los cam-
pos meteorol ogicos generados por WRF, permiti o seleccionar de un conjunto de 18 casos
propuestos, el caso que mejores condiciones iniciales le aporto al modelo meteorol ogico Cal-
met, analizando cual de los campos modelados tena mejor concordancia con los campos
medidos. Mostrando por medio del analisis estadstico, que no todos los puntos de grilla
de modelo meteorol ogico aportan las mismas incertidumbres al modelo Calmet, razon por
la cual la correcta ejecuci on del modelo de dispersi on dependi o de la incertidumbre de los
campos meteorologicos que se introducan al modelo de dispersi on.
Calmet logro modelar los par ametros necesarios para que el modelo de dispersi on (altura
de la capa de mezcla, ujo de calor sensible supercial) pudiera calcular los niveles de conta-
minacion en la ciudad, sin embargo, a traves del an alisis graco de los campos meteorol ogicos
generados por Calmet, se pudo analizar e identicar los errores que los campos meteorolo-
gicos aportan al modelo de dispersi on, en especial, el error que tiene la sobreestimaci on o
subestimaci on de la altura de la capa de mezcla y ujo de calor sensible supercial, dado
que el uso de estos parametros ayuda a mejorar el desempe no de los modelos meteorologicos
y mejora los campos de salida, los cuales se agregan al modelo de dispersi on y pueden am-
plicar estos errores.
El modelo de dispersi on Calpu no logr o resolver el orden de magnitud de los niveles de
PM
10
en la mayora de las estaciones, lo cual es una combinacion tanto de errores meteo-
rol ogicos como errores en el inventario de emisiones. Sin embargo, la aproximaci on de los
resultados en los diferentes puntos es bastante satisfactoria, indicando que se trabaja en la
86 4 Conclusiones y recomendaciones
direcci on correcta, permitiendo conocer cuales son las zonas que m as afecta el material par-
ticulado emitidos por la ciudad. Los sectores de la ciudad en donde se generan las mayores
emisiones de PM
10
coincidieron con las localidades que conforman la zona industrial del Dis-
trito Capital (Puente Aranda, Kennedy), y que a su vez son las mas contaminadas, mientras
que las zonas al occidente y norte, mostraron los niveles m as bajos de contaminacion.
4.2. Recomendaciones
La metodologa implementada y los resultados alcanzados con respecto a la dispersi on de
material particulado, debera ser desarrollados en futuras investigaciones con nuevos inven-
tarios de emisiones con mayor informaci on detallada y mejores parametrizacionesdel modelo
WRF, lo cual contribuira al mejoramiento de las normativas de emisiones y calidad del aire,
en el entendimiento de la problematica ambiental local y nacional. El PM
10
no es el unico
contaminante que afecta a la ciudad, el O
3
es otro contaminante que debera seguir siendo
investigado en la misma lnea que se realiz o con el PM
10
.
5. Bibliografa
Appel, K.W., Gilliam, R.C., Davis, N., Zubrow, A., Howard, S.C., 2011. Overview of
the atmospheric model evaluation tool (AMET) v1.1 for evaluating meteorological and
air quality models. Environmental Modelling Software 26, 434e443.
Arya P.S. (1999). Air pollution meteorology and dispersion. Oxford University Press,
310pp.
Barna M. and Gimson N.R., 2000.Application of the RAMS/CALMET/CALPUFF
airshed model in Christchurch, New Zealand, 15th International Clean Air and Envi-
ronment Conference. Clean Air Society of Australia and New Zealand, pp. 10-14.
Batchvarova et al., 1999 E. Batchvarova, X. Cai, S.E. Gryning, D. Steyn Modeling
internal boundary layer development in a region with complex coastline. Boundary
Layer Meteorology, 90 (1999), pp. 1
U12.
Benavides, Henry. Pron ostico de la concentraci on de material particulado por chime-
neas industriales en Bogota. Bogot a, 2003, 260 p. Tesis de grado (M.Sc. en Meteo-
rologa). Universidad Nacional de Colombia. Facultad de Ciencias. Departamento de
Geociencias.
Berkowitz, C. M. and Fast, J. D. (1996) The inuence of regional-scale atmospheric
circulations on chemical mixing over the western north Atlantic. Preprints, 9th Joint
Conference on Applications of Air Pollution Meteorology with AMA, 28 January Fe-
bruary 1996, Atlanta, Georgia, American Meteorological Society, Boston, pp. 117 121.
Beyrich, F. 1994: Sodar observations of the stable boundary layer height in relation to
the nocturnal low-level jet. Meteorologische Zeitschrift 3, 29
U34
Borge, R., Lumbreras, J., Rodritguez, M.E., 2008. Development of a highresolution
emission inventory for Spain using the SMOKE modelling system: a case study for the
years 2000 and 2010. Environmental Modelling and Software 23, 1026-1044.
Bornstein, R., Thunis, P., Grossi, P. and Schayes, G. (1996) Topographic vorticity-
model mesoscale-b (TVM) model. Part II: Evaluation. Journal of Applied Meteorology
35, 1824 1834.
88 5 Bibliografa
C. Borrego, A. Monteiro, J. Ferreira, A.I. Miranda, A.M. Costa, A.C. Carvalho, M. Lo-
pes, Procedures for estimation of modelling uncertainty in air quality assessment, En-
vironment International, Volume 34, Issue 5, July 2008, Pages 613-620, ISSN 0160-4120,
10.1016/j.envint.2007.12.005. (http://www.sciencedirect.com/science/article/pii/S0160412007002346)
Keywords: Air quality; Modelling; Uncertainty; Quality indicators
Chang JC, Hanna SR. Air quality model performance evaluation. Meteorol Atmos Phys
2004;87:167-96.
Chen, S.-H., Sun, W.-Y., 2002. A one-dimensional time-dependent cloud model. Journal
of the Meteorological Society of Japan 80, 99-118.
Chou, M.-D., Suarez, M.J., 1994. An ecient thermal infrared radiation parameteri-
zation for use in general circulation models. 104606. NASA Technical Memorandum 3,
85.
Collins, W.D., Hackney, J.K., Edwards, D.P., 2002. A new parameterization for infra-
red emission and absorption by water vapour in the National Center for Atmospheric
Research Community Atmosphere Model. Journal of Geophysical Research 107, 1-20.
Comet, 2001: Intelligent Use of Model-Derived Products.
Delle Monache L, Deng X, Zhou Y, Stull R. Ozone ensemble forecasts: 1. A new
ensemble design. J Geophys Res 2006;111:D05307. doi:10.1029/ 2005JD006310.
Deng, A., N. L. Seaman, G. K. Hunter, and D. R. Stauer, 2004: Evaluation of inter-
regional transport using the MM5- SCIPUFF system. J. Appl. Meteor., 43, 1864-1886.
Dudhia, J., 1989. Numerical study of convection observed during the winter monsoon
experiment using a mesoscale two-dimensional model. Journal of Atmospheric Science
46, 3077-3107.
Elbir, T., Comparison of Model Predictions with the Data of an Urban Air Quality Mo-
nitoring Network in Izmir, Turkey, Atmospheric Environment, 37, 2149-2157 (2003).
Grell,G. Alexander Baklanov, Integrated modeling for forecasting weather and air qua-
lity: A call for fully coupled approaches, Atmospheric Environment, Volume 45, Issue
38, December 2011, Pages 6845-6851, ISSN 1352-2310, 10.1016.
Fandi no, M and Behrentz, E. (2009). .
A
ctualizacion del inventario de emisiones de fuen-
tes jas para la ciudad de Bogot a, a traves de mediciones directas, [en lnea], disponible
en: http : //biblioteca.uniandes.edu.co/Tesis
1
2009
p
rimer
s
emestre/525.pdf, recupera-
do el: 07 de octubre de 2010.
89
Fatogoma and Jacko, R.B. Jacko. A model to estimate mixing height and its eects on
ozone modeling Atmospheric Environment, 36 (2002), pp. 3699
U3708.
Gaitan, Mauricio; Cancino, Juliana y Behrentz, Eduardo. An alisis del estado de la
calidad del aire en Bogota. rev.ing. [online]. 2007, n.26 [citado 2012-06-26], pp. 81-92 .
Gilliam, R.C., Hogrefe, C., Rao, S.T., 2006. New methods for evaluating meteorological
models used in air quality applications. Atmospheric Environment 40, 5073-5086.
Goodin W. R., McRae G. J. and Seinfeld J. H. (1979) A comparison of interpolation
methods for sparse data: application to wind and concentration elds. J. appl. Met.
19, 98-108.
Grell, G. A., J. Dudhia, and D. R. Stauer, 1994: A description of the fth-generation
Penn State/NCAR Mesoscale Model (MM5). NCAR Tech. Note NCAR/TN-398 STR,
138 pp.
Hanna, S.R., Moore, G.E., Fernau, M.E., 1996. Evaluation of photochemical grid mo-
dels (UAM-IV, UAM-V, and the ROM/UAM-IV couple) using data from the Lake
Michigan Ozone Study (LMOS). Atmospheric Environment 30, 3265e3279.
Hanna SR, Chang JC, Strimaitis DG. Hazardous gas model evaluation with eld ob-
servations. Atmos Environ 1993;27A:2265-85.
Hong, S.-Y., Lim, J.-O., 2006. The WRF Single-Moment 6-Class Microphysics Scheme
(WSM6). Journal of the Korean Meteorological Society 42, 129-151
Hogrefe, C., Rao, S.T., Kasibhatla, P., Kallos, G., Tremback, C.J., Hao, W., Olerud,
D., Xiu, A., McHenry, J., Alapaty, K., 2001b. Evaluating the performance of regionals-
cale photochemical modeling systems: part I e meteorological predictions. Atmospheric
Environment 35, 4159e4174.
Hu, X.-M., Nielsen-Gammon, J. W., and Zhang, F. (2010). Journal Of Applied Meteo-
rology And Climatology 49, 1831-1844. Available at: http://journals.ametsoc.org/doi/abs/10.1175/2010JAMC2432.1.
Ichikawa Y, Sada K. An atmospheric dispersion model for the environment impact
assessment of thermal power plants in Japan - a method for evaluating topographical
eects. J Air Waste Manage Assoc 2002;52:313-23.
Jiang, G.F., Fast, J.D., 2004. Modeling the eects of VOC and NOx emission sources
on ozone formation in Houston during the TexAQS 2000 eld campaign. Atmospheric
90 5 Bibliografa
Jackson, B., Chau, D., Gurer, K., Kaduwela, A., 2006. Comparison of ozone simulations
using MM5 and CALMET/MM5 hybrid meteorological elds for the July/ August 2000
CCOS episode. Atmospheric Environment 40, 11.
Jackson, B., Chau, D., Gurer, K., Kaduwela, A., 2006. Comparison of ozone simulations
using mm5 and calmet/mm5 hybrid meteorological coos elds for the July/August 2000
episode. Atmospheric Environment 40 (16), 2812-2822.
Jiang, G.F., Fast, J.D., 2004. Modeling the eects of VOC and NOx emission sources
on ozone formation in Houston during the TexAQS 2000 eld campaign. Atmospheric
Environment 38, 5071e5085
JICA. (1992). Study on Air Pollution Control Plan in Santafe de Bogota City Are,
Final Report. Tokyo, Japan: Japan International Cooperation Agency (JICA).
Jhumoor Biswas AND S. Trivikrama Rao Uncertainties in Episodic Ozone Modeling
Stemming from Uncertainties in the Meteorological Fields J o u r n a l of a p p l i e d
M e t e o r o l o g y volume 40
Kallos, G. (1996) Transport and transformation of air pollutants from Europe to the
East Mediterranean Region (T-TRAPEM). Environmental Research programme: Avi-
cenne. Final Report, Contract No. AVI*-CT92-0005, April 1996, Commission of the
European Communities, 352 pp.
Karppinen A, Kukkonen J, Elolahde T, Konttinen M, Koskentalo T. A modeling system
for predicting urban air pollution: comparison of model predictions with data of an
urban measurement network in Helsinki. Atmos Environ 2000;34:3735-43.
Kleeman, M.J., Ying, Q., Lu, J., Mysliwiec, M.J., Grin, R.J., Chen, J.J., Clegg, S.,
2007. Source apportionment of secondary organic aerosol during a severe photochemical
smog episode. Atmospheric Environment 41, 576e591
Laprise R., 1992: The Euler Equations of motion with hydrostatic pressure as as inde-
pendent variable, Mon. Wea. Rev., 120, 197-207.
Liang, J.Y., Martien, P.T., Soong, S., Tanrikulu, S., 2004. A photochemical model com-
parison study: CAMx and CMAQ performance in central California. In: Proceedings
of the Thirteenth Conference on the Application of Air Pollution Meteorology with the
Air and Waste Management Association, Vancouver, Canada. American Meteorological
Society, Boston
Liu, M. and Carroll, J. J. (1996) A high-resolution air pollution model suitable for
dispersion studies in complex terrain. Monthly ijeather Review 124, 2396 2409
91
Liu, M.K., Yocke, M.A., 1980. Siting of wind turbine generators in complex terrain.
Journal of Energy 4, 10-16.
Mao, Q., Gautney, L.L., Cook, T.M., Jacobs, M.E., Smith, S.N., Kelsoe, J.J., 2006.
Numerical experiments on MM5-CMAQ sensitivity to various PBL schemes. Atmosp-
heric Environment 40, 3092-3110. Procedures for estimation of modelling uncertainty
in air quality assessment.
Mlawer, E.J., Taubman, S.J., Brown, P.D., Iacono, M.J., Clough, S.A., 1997. Radiative
transfer for inhomogeneous atmosphere: RRTM, a validated correlated-k model for the
longwave. Journal of Geophysical Research 102, 16663-16682.
Mysliwiec, M.J., Kleeman, M.J., 2002. Source apportionment of secondary airborne
particulate matter in a polluted atmosphere. Environmental Science and Technology
36, 5376e5384.
Nappo CJ, Essa KSM. Modeling dispersion from near-surface tracer releases at Cape
Canaveral, FL. Atmos Environ 2001;35:3999-4010.
Maul, P.R., 1980: Atmospheric transport of sulfur compound pollutants. Central Elec-
tricity Generating Bureau MID/SSD/80/0026/R. Nottingham, England
Olesen, H.R. Ten years of harmonization activities: past, present and future. In: 7th
Int. Conf. on Harmonization within atmospheric dispersion modelling for regulatory
purposes, European Commission, Joint Research Centre; 2001
Pabon, D. t * y Beisiegel, T. Dep. de Geograa, Univ. Nac. de Colombia Geoentropica
Ltda., Bogota D.C. http : //www.google.com.co/url?sa = trct = jq = pabon20thorstein20besigenlsource
= webcd = 2ved = 0CCQQFjABurl = http3A2F2Fstatic.geoentropica.com2Fpublicaciones2FGranizada.pdfei =
LzPXTveIOcPqggf0y 4HuDgusg = AFQjCNEg5O9GzGulaJF4V Kl4Gyy9c3Rccwcad =
rja
Perez, C., Jimet nez, P., Jorba, O., Sicard, M., Baldasano, J.M., 2006. Inuence of the
PBL scheme on high-resolution photochemical simulations in an urban coastal area
over the Western Mediterranean. Atmospheric Environment 40, 5274-5297.
Physick, W. L. (1995) Photochemical smog studies in Australian cities. Inzrban Air
pollution, .
o
l. 2 (edited by Poer, H. and Moussiopoulos, N). Computational Mechanics
Publications, Southampton, Boston
Pielke, R.A., Cotton, W.R., Walko, R.L., Tremback, C.J., Lyons, W.A., Grasso, L.D.,
Nicholls, M.E., Moran, M.D., Wesley, D.A., Lee, T.J., Copeland, J.H., 1992 comprehen-
sive meteorological modeling system e RAMS. Meteorology and Atmospheric Physics
49, 69e91. Pielke RA. Mesoscale meteorological modeling. San Diego, CA: Academic
Press; 2002.
92 5 Bibliografa
Pielke, R. A. (1991) A recommended speci c de nition of

O
Oresolution
O. Bull. Amer.
Meteor. Soc. 72, 1914 Poplawski K, Eleanor Setton, Bryan McEwen, Dan Hrebenyk,
Mark Graham, Peter Keller E Palmeritn, C.J Vallejo, W.R Barchet.An air quality
emission inventory of oshore operations for the exploration and production of petro-
leum by the Mexican oil industry Original Research Article
Poplawski,K. Eleanor Setton, Bryan McEwen, Dan Hrebenyk, Mark Graham, Pe-
ter Keller, Impact of cruise ship emissions in Victoria, BC, Canada, Atmospheric
Environment, Volume 45, Issue 4, February 2011, Pages 824-833, ISSN 1352-2310,
10.1016/j.atmosenv.2010.11.029. (http://www.sciencedirect.com/science/article/pii/S1352231010009969)
Keywords: Measurements; Modeling; SO<sub>2</sub>; NO<sub>2</sub>; Parti-
culate matter
Ruiz Murcia, J. (2002), Simulacion de la contaminacion atmosferica generada por fuen-
tes m oviles en Bogot a [tesis de maestra], Bogota, Universidad Nacional de Colombia,
Maestra en ciencias
UMeteorologa
Schwarzkopf, M.D., Fels, S.B., 1991. The simplied exchange method revisited - an
accurate, rapid method for computation of infrared cooling rates and uxes. Journal
of Geophysical Research 96, 9075-9096.
Seaman, N.L., 2000. Meteorological modeling for air-quality assessments. Atmospheric
Sherman C. A. (1978) A mass-consistent model for wind elds over complex terrains.
J. appl. Met. 17, 312-319.
Schayes, G., Thunis, P. and Bornstein, R. (1996) Topographic vorticity-model mesoscale-
b (TVM) model. Part I: formulation. Journal of Applied Meteorology, in press
Scire, J.S., Strimaitis, D.G., Yamartino, R.J., 2000. A Users Guide for the CALPUFF
Dispersion Model. Earth Tech Inc, Long Beach, CA.
Seaman, N. L., D. R. Stauer, and A. M. Lario-Gibbs, 1995: A multiscale four-dimensional
data assimilation system applied in the San Joaquin Valley during SARMAP. Part I:
Modeling design and basic performance characteristics. J. Appl. Meteor., 34, 1739-1761.
Seinfeld, John H.; Pandis, Spyros N. (2006). Atmospheric Chemistry and Physics -
From Air Pollution to Climate Change (2nd Ed.). John Wiley and Sons, Inc. ISBN
0-471-82857-2
Seinfeld, J.H., 1986. Atmospheric Chemistry and Physics of Air Pollution . John Wiley
and Sons, Inc., New York.
93
Sivacoumar R, Thanasekaran K. Line source model for vehicular pollution predic-
tion near roadways and model evaluation through statistical analysis. Environ Pollut
1999;104:389-95.
Sistla, G., Hao, W., Ku, J.Y., Kallos, G., Zhang, K.S., Mao, H.T., Rao, S.T., 2001. An
operational evaluation of two regional-scale ozone air quality modeling systems over the
eastern United States. Bulletin of the American Meteorological Society 82, 945e964.
Shafran, P. C., N. L. Seaman, and G. A. Gayno, 2000: Evaluation of numerical pre-
dictions of boundary layer structure during the Lake Michigan Ozone Study. J. Appl.
Meteor., 39, 412- 426.
Skamarock W. C., 2005: Timesplitting techniques for multidimensional transport, avai-
lable at http://www.mmm.ucar.edu/individual/skamarock/advect3d 2005.pdf, 26 pp.
Skamarock,W.C., Klemp, J.B., Dudhia, J., Frill, D.O., Barker, M.,Wang,W., Powers,
J.G., 2005. A description of the advanced research WRF version 2. NCAR Technical
Note NCAR/TN-4688 STR.
Soong, S., Tanrikulu, S., Wilczak, J., Bao, J., Martin, P., Michelson, S., 2004. Simula-
tion of an ozone episode during the Central California Ozone Study. Part II: CAMx air
quality model simulations. In: Proceedings of the Thirteenth Conference on the Appli-
cation of Air Pollution Meteorology with the Air and Waste Management Association,
Vancouver, Canada. American Meteorological Society, Boston.
Stauer, D. R., and N. L. Seaman, 1994: Multiscale fourdimensional data assimilation.
J. Appl. Meteor., 33, 416-434.
Svensson, G. (1996a) A numerical model for chemical and 4meteorological processes
in the atmospheric boundary layer. Part I: A model description and a one-dimensional
parameter study. Journal of Applied Meteorology 35, 939 954.
Thompson, G., R. M. Rasmussen, and K. Manning, 2004: Explicit forecasts of winter
precipitation using an improved bulk microphysics scheme. Part I: Description and
sensitivity analysis. Mon. Wea. Rev., 132, 519-542.
Toro, M.V. (2001). Modelo de emisiones atmosfericas para el Valle de Aburr a MODE-
MED.
Touma, J.S., V. Isakov, A. Cimorelli, B. Anderson and R. Brode, Using prognostic
model-generated meteorological output in the AERMOD dispersion model 2006: An
illustrative example in Philadelphia. PA. Journal of Air and Waste Management As-
sociation. 57 (2007) 586.
94 5 Bibliografa
Tucker, G. B. (1993) New skills in predicting atmospheric pollution. Australian Me-
teorological Magazine 42, 163 174.
Venkatram, A. Primary Title: Estimating the Monin-Obukhov length in the stable
boundary layer for dispersion calculations Journal. Boundary-Layer Meteorology Co-
ver Date: 1980-12-01. Springer Netherlands Issn: 0006-8314. Earth and Environmental
Science Start Page: 481 End Page: 485 Volume: 19 Issue
Villasenor R, M Magdaleno, A Quintanar, J.C Gallardo, M.T L opez, R Jurado, A
Miranda, M Aguilar, L.A Melgarejo, An air quality emission inventory of oshore
operations for the exploration and production of petroleum by the Mexican oil industry
Original Research Article Atmospheric Environment, Volume 37, Issue 26, August 2003,
Pages 3713-3729
Wang, W., D. Barker, C. Bruyere, M. Duda, J. Dudhia, D. Gill, J. Michalakes, and S.
Rizvi, 2008: WRF Version 3 Modeling System Users Guide. http://www.mmm.ucar.edu/wrf/users/docs/user
guide V3/.
Warner, T.T., Petersen, R.A., Treadon, R.E., 1997. A tutorial on lateral boundary
conditions as a basic and potentially serious limitation to regional numerical weather
prediction. Bulletin American Meteorological Society 78, 2599 2617
www.bogota.gov.co
Yamada, T. (1996) A numerical simulation of cloud distributions over coastal complex
terrain. Preprints, 9th Joint Conference on Applications of Air Pollution Meteorology
with AMA, 28 January February 1996, Atlanta, Georgia, American Meteorological
Society, Boston, pp. 498 410.
Ying, Q., Fraser, M.P., Grin, R.J., Chen, J.J., Kleeman, M.J., 2007. Verication of a
source-oriented externally mixed air quality model during a severe photochemical smog
episode. Atmospheric Environment 41, 1521e1538.
Z arate, E. (2007), Understanding the origins and fate of air pollution in Bogot a, Co-
lombia [tesis doctoral], Lausanne (Suiza),

Ecole Polytechnique Federale de Lausanne,
Doctorado en Ciencias.
Z arate, E., Belalcazar, L. C., Clappier, A., Manzi, V., Van den Bergh, H. (2007).
Air quality modelling over Bogota, Colombia: Combined techniques to estimate and
evaluate emission inventories. Atmospheric Environment 41, 6302
U6318.
Zaveri, R.A., Saylor, R.D., Peters, L.K., McNider, R. and Song, A. 1995: A model
investigation of summer-time diurnal ozone behaviour in rural mountainous locations.
Atmospheric Environment 29,1043-1065).
95
Zhang J., S.T. Rao, and S.M. Daggupaty 1998: Meteorological Processes and Ozone
Exceedances in the Northeastern United States During the 12-16 July 1995 Episode,
Monthly Weather Review, 37, 776-789
Zhou, Y., Levy, J.I., Hammitt, J.K., Evans, J.S. (2002) ?Estimating population ex-
posure to power plant emissions using CALPUFF: a case study in Beijing, China?.
Artculo en imprenta. Atmospheric Environment, Elsevier Science, Ltd.
Zilitinkevich, S. S. Primary Title: On the determination of the height of the Ekman
boundary layer. Boundary-Layer Meteorology. Springer Netherlands. Volume: 3 Issue:
2.
A. Resumen de diagramas de caja para
algunos de los casos propuestos
En las guras A-2, ??, A-3, A-4 se muestran las guras correspondientes a algunos de los
diagramas de caja de temperatura y velocidad del viento de las conguraciones propuestas.
Figura A-1. Diagrama de caja para temperatura y velocidad del viento modelada y medida
caso01
Caso01
caso01
Caso03
97
caso01
Caso07
caso09
Caso09
B. Variacion espacial y temporal de PM10
En las siguientes guras se muestra el comportamiento de cada una de las celdas que com-
ponen el inventario de emisiones.
Figura B-1. Variaci on espacial para PM
10
hora 1
99
10
hora 2
10
hora 3
100 B Variaci on espacial y temporal de PM10
10
hora 4
10
hora 5
101
10
hora 6
10
hora 7
10
hora 8
10
hora 9
103
10
hora 10
10
hora 11
10
hora 12
10
hora 13
105
10
hora 14
10
hora 15
107
10
hora 16
10
hora 17
10
hora 18
10
hora 19
109
10
hora 20
10
hora 21
10
hora 22
111
10
hora 23
10
hora 24
C. Surface layer
La PBL es fuertemente inuenciada por la supercie de la tierra por el intercambio de energa
y momentum de la supercie. La parte mas baja de la PBL es la capa supercial. Algunos
de los parametros que afectan el comportamiento de la capa supercial y que inuyen en el
comportamiento de la PBL y como esta disipa los contaminantes son: temperatura del suelo,
mezcla del suelo, ujo turbulento,velocidad de friccion.
Velocidad de fricci on: Una par ametro que provee una medida del ujo vertical de
momentum es la velocidad de friccion. Entre mas grande la velocidad de friccion m as
rapido la turbulencia mec anica y mas rapido la mezcla de los contaminantes con la
atmosfera.
Longitud de rugosidad: es la altura a la cual la ley del perl de vientos extrapola la
velocidad a cero. este parametro da una medida de la turbulencia mecanica que ocurre
cuando un ujo horizontal uye sobre una supercie. Enter mas grande la longitud de
rugosidad mas grande la magnitud de la turbulencia cuando el viento pasa sobre una
supercie. Para una supercie plana, la longitud de rugosidad es cero y la turbulencia
mec anica es minima. En la tabla ?? se muestra los datos de longitud de rugosidad para
el dominio simulado.
longitud de Monin
UObukhov: es la escala (m) proporcional a la altura arriba de la

supercie a la cual la producci on de otabilidad domina la producci on de turbulencia
mec anica. por ejemplo, valor negativos indican inestabilidad en la atmosfera, valores
positivos estabilidad y valores excesivamente grandes condiciones neutras.
Mezcla del suelo: afecta la evaporacion, es decir, da una medida de la evaporacion,
entre mas bajo el contenido de agua en el suelo, m as bajo la evaporacion del agua al
aire,

Modelo Mesoescala WRF Modelo Calpuff

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelo Mesoescala WRF Modelo Calpuff

Încărcat de

Drepturi de autor:

Formate disponibile

ACOPLAMIENTO DEL MODELO DE MESOESCALA WRF AL

MODELO DE CALIDAD DEL AIRE CALPUFF

UObukhov: es la escala (m) proporcional a la altura arriba de la

S-ar putea să vă placă și