6.3 Proposed Scheme for Anonymizing Social Networks
6.4.2 Computing Sensitivity Index
observaciones
La Figura 5.17 muestra un resumen de la evaluación estadística de ambas ejecuciones (CMAQBULK y CMAQBEP) para el PM2,5. La significación estadística de este análisis es menor debido
a la falta de disponibilidad de datos de PM2,5 en la mayoría de las estaciones analizadas. Solo 5
de ellas median niveles de PM2,5 durante el período simulado (2, 1 y 2 en las clases H, L y N
respectivamente). Estas simulaciones se han realizado sin la implementación de los módulos de polvo y de resuspensión descritos anteriormente y, por lo tanto, esta subestimación que se
observa en la Figura 5.17 (izquierda) está relacionada con cuestiones relativas al inventario de emisiones, (incertidumbre en los factores de emisión y/o fuentes de partículas relevantes que faltan, como la resuspensión (de la Paz et al., 2015) y polvo del desierto (de la Paz et al., 2013); junto con la complejidad de la termodinámica de los aerosoles y los procesos físicos implicados en el transporte y la deposición de material particulado. No obstante, la simulación que utiliza la meteorología WRFBEP, ayuda a reducir esta subestimación, especialmente en áreas
densamente urbanizadas donde la concentración anual de PM2,5 predicha por CMAQBEP es 0,5
μg m‐3 más alta que la de CMAQ BULK (1 μg m‐3 como promedio de las dos estaciones ubicadas en las áreas definidas como de alta densidad residencial, H, lo que supone una reducción del sesgo del 11%). En general, se puede observar que el rendimiento del modelo mejora, se reduce el sesgo, disminuyen los errores y aumenta el índice de acuerdo, prácticamente en todos los usos del suelo y en los tres periodos analizados. Figura 5.17. Resumen de estadísticos para PM2,5: Sesgo (BIAS), error cuadrático medio (RMSE) e índice de acuerdo (IOA) para las dos simulaciones CMAQBULK y CMAQBEP y por tipo
de uso del suelo.
En cuanto al error cuadrático medio (RMSE) mostrado en el grafico central de la Figura 5.17, se deriva que en los tres periodo analizados, anual, diurno y nocturno, el error disminuye ligeramente con la simulación CMAQBEP, siendo mayor en el uso del suelo H. En cuanto al índice
de acuerdo (IOA), la mejora es notable en todos los periodos y usos, entre un 7‐11% incluso en zonas naturales.
Según se observa en la Figura 5.18 los resultados para PM10 son menos satisfactorios en
general. Por ejemplo, en la gráfica de la izquierda (sesgo medio), se observa que la infraestimación es muy alta, en torno a 24 μg m‐3. Esta circunstancia se debe principalmente a
la omisión en los inventarios de emisión de las fuentes de partículas anteriormente mencionadas, que afectan sobre todo a este tamaño de partículas. En cuanto a los errores y los índices de acuerdo de los distintos periodos, el comportamiento es similar que con las partículas PM2,5, los errores se reducen ligeramente y el índice de acuerdo aumenta.
Figura 5.18. Resumen de estadísticos para PM10: sesgo (BIAS), error cuadrático medio (RMSE)
e índice de acuerdo (IOA) para las dos simulaciones CMAQBULK y CMAQBEP y por tipo de uso del suelo.
La media anual de concentración de NO2 medida en las estaciones de calidad del aire
ubicadas en zonas de alta intensidad residencial (H) es 59,9 μg m‐3, muy cerca de la predicción
correspondiente de CMAQBEP (58,3 μg m‐3) y considerablemente superior a la de CMAQBULK (44.4
μg m‐3). Por lo tanto, WRF
BEP mejora sustancialmente el rendimiento de CMAQ reduciendo la
subestimación de NO2 a solo 1,6 μg m‐3 (15,5 μg m‐3 con CMAQBULK). Sin embargo, la Figura 5.19
indica que la compensación de errores de signo opuesto puede tener una influencia importante en este resultado. CMAQBEP subestima la concentración de NO2 durante el día (‐25%) y la
sobreestima durante la noche (21%).
En cuanto a la subestimación diurna, los resultados deben evaluarse con cautela, ya que la mayoría de las estaciones de calidad del aire están ubicadas dentro de la clase H (Tabla 5.2), y son estaciones de tráfico, ubicadas muy cerca de la carretera donde las emisiones son más altas. Es lógico que las predicciones de mesoescala sean más bajas que las observaciones de este tipo de estaciones, ya que su representatividad espacial y temporal no es directamente comparable. No obstante, WRFBEP mejora claramente el rendimiento de CMAQ, proporcionando
la ejecución anual) que debe considerarse particularmente relevante debido a la mayor proporción de estaciones de fondo urbano para el cálculo de las estadísticas.
Figura 5.19. Resumen de estadísticos para NO2: sesgo (BIAS), error cuadrático medio (RMSE)
e índice de acuerdo (IOA) para las dos simulaciones CMAQBULK y CMAQBEP y por tipo de uso del suelo.
Los estadísticos relativos al O3, mostrados en la Figura 5.20, demuestran que WRFBEP
mejora claramente el rendimiento de CMAQ, reduciendo la sobreestimación general de CMAQBULK y mejorando los índices de acuerdo. La mejora se produce particularmente durante
las horas nocturnas, a pesar de que el pronóstico de temperatura es peor con la ejecución WRFBEP. No obstante, las velocidades de viento más bajas compensan la tendencia de CMAQ a
sobrestimar los valores de O3 (Borge et al., 2010).
Aunque las predicciones se reducen de media un 8% (Tabla 5.9), CMAQBEP sigue
sobreestimando las concentraciones de O3 anuales, entre 24 y 36 μg m‐3 para las áreas de alta
intensidad residencial y las zonas de carácter industrial o comercial, respectivamente. Como se esperaba, el efecto de la parametrización urbana en áreas no construidas es mucho menor. Vale la pena señalar que los mejores resultados se encuentran en las áreas residenciales de baja intensidad, donde el IOA general alcanza un valor de 0,67. Esto probablemente no se deba a un mejor rendimiento del modelo sobre este uso del suelo, sino a una mejor representatividad de las predicciones de CMAQ sobre las estaciones de calidad del aire de fondo urbano. Las concentraciones medidas en este tipo de estaciones no se ven afectadas por los fuertes gradientes espacio‐temporales observados en las ubicaciones de tráfico (Borge et al., 2016a) y, por lo tanto, su representatividad espacial y temporal es más similar a la resolución temporal y espacial del sistema de modelización de la calidad del aire de mesoescala.
Figura 5.20. Resumen de estadísticos para O3: sesgo (BIAS), error cuadrático medio (RMSE) e índice de acuerdo (IOA) para las dos simulaciones CMAQBULK y CMAQBEP y por tipo de uso del
suelo.
La Figura 5.21 ofrece un análisis adicional para comprender mejor el impacto de WRFBEP
en el rendimiento del modelo CMAQ, teniendo en cuenta el tipo de estación de calidad del aire. Ilustra los Diagramas de Taylor (Taylor, 2001) simultáneamente para CMAQBULK y CMAQBEP, de
tal manera que la flecha muestra la evolución. El inicio o posición inicial viene dada por los resultados con CMAQBULK mientras que la punta de la flecha está definida por CMAQBEP. El grafico
se ha elaborado para tres contaminantes, el PM2,5 (cuyo comportamiento es muy similar al
PM10), el NO2 y el O3. Este grafico se muestra por separado para las estaciones de tráfico (26), el
fondo urbano (7) y las estaciones de carácter industrial (3). El análisis combinado de los resultados de estaciones de tráfico (dato más significativo desde un punto de vista estadístico, debido a la gran cantidad de observaciones) y de estaciones de fondo urbano (importante porque las mediciones se consideran más representativas de los valores calculados por el modelo), proporciona un complemento interesante para la discusión del rendimiento del modelo desde el punto de vista del uso del suelo.
Se puede observar que la desviación estándar para la simulación del NO2 se aproxima a
la de las observaciones para las estaciones de tráfico, aunque RMSE se incrementa ligeramente. Es interesante observar que el IOA para este tipo de estación prácticamente permanece igual, aunque la Figura 5.19 indica mejoras evidentes para la clase de uso de la tierra H. Esto significa que la mayor parte de la mejora se relaciona con las estaciones de tráfico, que realmente se encuentran en áreas de alta intensidad residencial donde se espera que el impacto de la parametrización urbana sea más evidente. El RMSE total para las estaciones de fondo urbano
no experimenta un cambio notable, aunque el modelo representa mejor los valores observados cuando se usa WRFBEP, lo que aumenta la correlación entre ambas series (valores observados y
modelizados) y, por lo tanto, aumenta el coeficiente de correlación de Pearson (de 0,58 a 0,63).
En cuanto al O3, está claro que CMAQ mejora el pronóstico cuando se aplica la
parametrización WRFBEP. Aunque la flecha más grande corresponde a las estaciones de tráfico,
donde la sobrestimación se reduce aún más, el aumento del rendimiento del modelo es más sólido desde el punto de vista científico para las ubicaciones de fondo urbano. En este caso, los tres parámetros (desviación estándar, RMSE y correlación) mejoran, tanto para el día como para la noche, lo que indica una mejora constante en la capacidad del modelo para reproducir los valores de concentración observados.
Figura 5.21. Diagramas de Taylor para: (a) NO2, (b) O3 y (c) PM2,5 para el periodo diurno y nocturno y por tipo de estación de calidad del aire (tráfico, industrial y urbana de fondo). El
comienzo y el final de las flechas corresponde con las simulaciones de CMAQBULK y CMAQBEP respectivamente.
5.4.Valoración de la implementación de la
parametrización urbana
Este estudio presenta la evaluación de WRFBEP / CMAQ en una simulación anual (2007)
de resolución de 1 km2 sobre la ciudad de Madrid y su entorno. Los resultados se han comparado
con los de una configuración de referencia utilizada en el pasado (basada en una representación muy simple del dosel urbano) y se ha evaluado frente a observaciones meteorológicas y de calidad del aire.
Las diferencias entre las simulaciones resaltan la relevancia de la parametrización urbana cuando se simula la calidad del aire sobre una ciudad e indica claramente que la mejora de los resultados justifica el pequeño aumento del tiempo de CPU y la complejidad de la generación de los datos de entrada. Dentro de las incertidumbres y limitaciones de este estudio, se puede concluir que la configuración WRFBEP mejoró sustancialmente el rendimiento del modelo de
transporte químico CMAQ para el pronóstico del material particulado PM10 y PM2,5 y para los
contaminantes gaseosos NO2 y O3. Se ha visto que el rendimiento del modelo varía según la
tipología urbana y las condiciones meteorológicas y además está fuertemente influenciado por otras opciones de configuración, como los usos del suelo y el esquema de capa límite planetaria (PBL) utilizado. No obstante, este experimento señala que la parametrización multicapa BEP puede mejorar considerablemente las simulaciones rutinarias de modelización y evaluación del cumplimiento de los valores límite de AQ, evaluación de planes y medidas, etc., habiendo sido utilizado en posteriores investigaciones (Borge et al., 2018; Saiz‐Lopez et al., 2017; Sanchez et al., 2017).
Los resultados mostrados sugieren que la simulación de WRF con la implementación de BEP, resuelve mejor los balances de calor y momento durante el día, ya que las parametrizaciones urbanas tienen en cuenta los coeficientes de arrastre para la transferencia de momento y los intercambios de calor se desarrollan sin tener en cuenta la estratificación térmica (Santiago et al., 2014). Esto puede ser responsable de la subestimación de la velocidad del viento durante la noche y se espera que tenga una influencia en la sobreestimación nocturna del NO2 niveles. Sin embargo, un índice de acuerdo (IOA) más alto durante la noche, señala que
el modelo captura las tendencias temporales correctamente, por lo que la subestimación de la velocidad del viento, por sí sola no puede explicar la sobreestimación de NO2, que
probablemente también está relacionada con la limitación en la representación de PBL nocturna y la química (Zhang et al., 2009) o inexactitudes en los perfiles temporales utilizados para descomponer las emisiones.
El estudio indica que la velocidad del viento es la variable meteorológica más relevante en cuanto a la calidad del aire se refiere, ya que está fuertemente relacionada con la advección, proceso dominante en el transporte de la contaminación. Aunque las predicciones de temperatura no mejoraron con WRFBEP y las diferencias en la dirección del viento y PBLH no
fueron notables, una descripción más realista de la velocidad del viento ha logrado proporcionar predicciones de calidad de aire considerablemente mejores. En este sentido, es claro que los balances de momento son resueltos satisfactoriamente por BEP, aunque los balances térmicos pueden revisarse dentro de esta parametrización.
6
6.
CONCLUSIONES Y LÍNEAS
FUTURAS
6.1.Conclusiones
La Tesis aborda el desarrollo, e implementación de dos módulos de emisión de partículas y una parametrización urbana en un sistema de modelización de última generación (WRF‐ SMOKE‐CMAQ). El fin es mejorar el pronóstico de los niveles de concentración de partículas en un entorno urbano, para el desarrollo y evaluación de estrategias de mejora de la calidad del aire en las ciudades. Estas implementaciones han permitido, por un lado, la inclusión de nuevas fuentes de emisión de partículas en el sistema de modelización, y por otro, mejorar la representación de la interacción atmósfera‐ciudad. Estos desarrollos ya han sido integrados satisfactoriamente en estudios posteriores recientes (Borge et al., 2018; Saiz‐Lopez et al., 2017; Sanchez et al., 2017).A continuación, se exponen algunas conclusiones en relación a las distintas implementaciones que se han realizado durante el desarrollo de la Tesis:
El desarrollo e implementación de DEM (Dust Emission Module), ha permitido incorporar el polvo sahariano como una fuente natural importante que afecta a la calidad del aire en los países del sur de Europa y especialmente a España, donde las contribuciones a las concentraciones promedio diarias de PM10 pueden llegar hasta 14 μg m‐3 según las simulaciones
realizadas. Sobre el mediterráneo, la nube de polvo predicha por DEM está bien representada frente a los datos de satélite, con valores máximos de hasta 20 µg/m3. En la costa atlántica,
también se registran valores altos característicos de episodios de transporte de polvo intensos, registrando valores máximos de hasta 100 µg/m3. Dentro del continente africano, donde
Bodélé) el modelo pronostica contribuciones de polvo muchos mayores, con concentraciones de PM10 de hasta 200 µg/m3.
El análisis realizado entre el AOT y el PM10 en 44 estaciones en toda Europa, África y Asia
(redes de vigilancia AERONET y EMEP) ha demostrado que CMAQ+DEM proporciona una mejor correlación espacio temporal que la versión estándar del modelo. La correlación temporal entre los valores observados y simulados de PM10 mejoró claramente, aumentando el coeficiente de
correlación global de 0,33 (CMAQ) a 0,48 (CMAQ + DEM). Además, el sesgo relativo se redujo en un 13% a nivel global. El análisis detallado de la composición de PM10 muestra claramente
que los principales motivos de la infraestimación sistemática de PM10 en España se debe
principalmente a la limitación del sistema para reproducir el transporte del polvo por el viento, siendo el polvo mineral, el componente más importante de la fracción gruesa (PM) en los sitios analizados. La evaluación realizada sobre los datos registrados en estas estaciones (IDAEA‐CSIC), muestran una subestimación del polvo de 9,1 μg m‐3 como promedio (MFB = ‐189%). La
implementación del módulo DEM mejora los resultados simulados, lo que reduce el MFB y MFE en un 20% específicamente para esta fracción de las partículas y aumenta significativamente r (de 0,24 a 0,39). Pese a la mejora evidente, la infraestimación total de PM10 sigue siendo grande
ya que solo se tiene en cuenta el polvo sahariano. El resto de las fuentes locales de polvo no se incluyen en los inventarios de emisiones utilizados en este estudio. Por otro lado, el hecho de que el modelo reproduzca bien los patrones espacio‐temporales del polvo, junto con la infraestimación de la concentración de PM en superficie y en la troposfera media, puede indicar que el polvo suspendido o bien, se deposita rápidamente, o se transporta insuficientemente en altura de acuerdo con la formulación del modelo. Los análisis realizados indican que los aerosoles orgánicos también están deficientemente representados, mientras que el sulfato, el amonio, la sal marina y el carbono elemental se predicen razonablemente bien.
La siguiente contribución de esta Tesis ha consistido en el desarrollo e implementado un módulo de resuspensión de partículas en el sistema de simulación de mesoescala (WRF‐ SMOKE‐CMAQ). En primer lugar, se han calculado los factores de emisión por tipo de vehículo a partir de un factor global (EFglobal) de emisión media de resuspensión experimental, el estimado por (Amato et al., 2010) y un modelo de emisión (AP‐42 EPA) que se ha utilizado como factor de ponderación de EFglobal. El objetivo es tener en cuenta en el cálculo de este tipo de emisiones, la tipología de vehículo, principalmente en función de su peso y proponer una metodología que permita integrar fácilmente esta fuente en el sistema.
Para contrastar estas emisiones se ha utilizado el modelo de calidad del aire de microescala (OSPM), alimentado con datos de campañas experimentales junto con datos de concentración de partículas medidas a nivel de calle. El análisis del patrón temporal diario, muestra que el modelo representa bien la tendencia de concentración de PM10, especialmente
durante los días laborables, mejorando claramente el sesgo de las estimaciones. El coeficiente de correlación solo mejora ligeramente, ya que las emisiones de resuspensión dependen
básicamente del tráfico, al igual que las emisiones directas. Las simulaciones realizadas con el módulo de resuspensión implementado han conseguido reducir del sesgo promedio en un 85% respecto a la simulación sin resuspensión, alcanzando un valor medio de MFB (%) muy satisfactorio (menor del 15%). En resumen y de acuerdo con los indicadores estadísticos, el modelo OSPM con la implementación de la resuspensión mejora el rendimiento general del modelo sustancialmente pese a la simplicidad conceptual de la aproximación seguida.
Una vez contrastado los resultados, se ha integrado el esquema de emisión en el modelo de mesoescala. La metodología de integración del esquema de resuspensión en el AQM ha seguido una estrategia “offline”, como DEM, de tal manera que permite calcular las emisiones de resuspensión de forma individual, y alimentar a los diferentes modelos por separado, dotando de mayor flexibilidad al sistema. Las emisiones calculadas se alimentan al modelo SMOKE para su desagregación temporal (1 hora) y espacial (1 km2), incluyendo una corrección
por el efecto de la lluvia, cuyos datos se obtienen de la simulación del modelo WRF, la misma meteorología utilizada en todos los procesos, manteniendo así, la consistencia de todos los datos de entrada.
Una primera estimación derivada de esta metodología apunta a que la resuspensión tiene el mismo orden de magnitud que las emisiones directas de PM10 reportadas por el
inventario local para el tráfico rodado, lo que es consistente con los resultados de otros estudios previos (Abu‐Allaban et al., 2003; Amato et al., 2009a) y es por tanto, una fuente esencial para considerar en el diagnóstico y evaluación de posibles soluciones para los problemas de calidad del aire en zonas urbanas en relación al material particulado.
La introducción de esta fuente en las simulaciones realizadas a mesoescala (CMAQ) muestran que los niveles de concentración aumentan, especialmente en las principales vías de comunicación, y en el centro de la ciudad, donde se localiza gran parte del tráfico. En estas zonas, se produce un aumento de los niveles de concentración de PM10 de entorno a un 50%, lo que
permite al modelo disminuir la infraestimación de partículas aproximadamente en 5 μg m‐3como
media anual (hasta 9 μg m‐3 en algunas ubicaciones). A nivel del conjunto del dominio, la
parametrización mejoró el sesgo en 4,2 μg m‐3 como media, reduciéndose MFB y el MFE en un
27,2 y un 17,1%, respectivamente. La correlación del modelo frente a los datos observados mejoró ligeramente, en torno a un 10 %, pero manteniendo coeficientes de correlación bajos (r=0,3). De la evaluación del modelo, se deduce que la mejora se produce especialmente en las estaciones de tipo tráfico, donde el efecto del proceso estudiado tiene más influencia. No