Metodología De Razonamiento Inductivo Difuso Para La Predicción De Concentraciones De Ozono

IV SIMPÓSIO INTERNACIONAL DE MEIO AMBIENTE

PAS para a PAZ

Rio de Janeiro – 6 a 10 de Julho de 2009

Metodología de Razonamiento Inductivo Difuso para la Predicción de Concentraciones de Ozono1 Pilar Gómez Miranda*1 & Fernando Vázquez Torres1 1Unidad Profesional Interdisciplinaria de Ingeniería y Ciencias Sociales y Administrativas (UPIICSA) del Instituto Politécnico Nacional (IPN), Calle Te 950, Col. Granjas México C.P. 08400, México, D. F. Teléfono: (55) 55242000 Ext. 70355 y 70005

pgomez84@hotmail.com & fvazquez_t@hotmail.com RESUMEN. La investigación se centra en la identificación de modelos para la predicción del ozono, tomando en cuenta una zona geográfica y dos períodos de tiempo diferentes. El primero es hacer el pronóstico en el período no lluvioso del año 2008, se utilizan datos consecutivos de enero a mayo del 2008. El segundo caso trabaja con datos del mes de enero de diferentes años del 2004 a 2008 para pronosticar enero de este último año. La complejidad de esta aplicación, es la alta frecuencia de los datos disponibles por ser registros horarios, el número de variables involucradas y la elevada proporción de datos perdidos. Los resultados obtenidos con la metodología de Razonamiento Inductivo Difuso (FIR) en el tratamiento de problemas de contaminación ambiental, son prometedores. INTRODUCCIÓN. Uno de los problemas más graves de la calidad del aire en las ciudades urbanas es la contaminación por ozono, es por ello que la construcción de modelos de ozono que capturen de la forma más precisa posible el comportamiento de este contaminante en la atmósfera y permitan generar un pronóstico fiable de los niveles máximos de ozono en el aire, es un tema de relevancia para los científicos del área medioambiental. Con lo que respecta a los sistemas ecológicos a gran escala, FIR se ha utilizado para la identificación de modelos para la predicción a corto plazo de la concentración de ozono en la zona Este de Austria [Gómez et al., 2001]. Los modelos obtenidos en este estudio obtuvieron resultados comparables con los obtenidos por las redes neuronales utilizadas en la investigación de [Wieland & Wotawa, 1999].

OBJETIVOS. El principal objetivo de este reporte, es estudiar la fiabilidad de la metodología FIR en la identificación de modelos para la predicción a largo plazo de la concentración de ozono en la zona centro de la Ciudad de México; en este trabajo se utiliza una cantidad de datos considerable (5 meses) y cuya frecuencia es importante ya que son medidos cada hora durante todo el día (datos horarios). Las variables atmosféricas, velocidad del viento, dirección del viento, temperatura, humedad relativa; así como las variables, día de la semana y hora del día, son utilizadas como variables de entrada y representan un elemento no menos importante, pues sumado al tipo de datos y a la alta cantidad de datos perdidos2 aumenta la complejidad de la aplicación. METODOLOGÍA. FIR surge o emerge de la Teoría General de Sistemas (GSPS) desarrollada por G. Klir [Klier, 1985], y es una herramienta para el análisis de sistemas generales que permite estudiar los modos de comportamiento de los sistemas dinámicos. FIR es una Metodología de modelado y simulación cualitativa que se basa en la observación del comportamiento de entrada/salida del sistema a ser modelado, más que en el comportamiento estructurado de su composición interna. FIR realiza dos tareas principales. La primera es identificar las relaciones causales entre las variables del sistema y construir el modelo cualitativo del sistema observado. La segunda es predecir el comportamiento futuro del sistema a partir de las observaciones pasadas y del modelo previamente identificado.

1 Artículo derivado del proyecto de investigación titulado “Desarrollo de nuevas técnicas informáticas, para la creación de modelos para identificar sistemas complejos” con clave CGPI: 20040871. 2 En ocasiones los instrumentos de medición de las estaciones fallan y los datos no son registrados.

IV SIMPÓSIO INTERNACIONAL DE MEIO AMBIENTE

PAS para a PAZ

Rio de Janeiro – 6 a 10 de Julho de 2009

Para cumplir con estas tareas, la metodología FIR cuenta con cuatro funciones básicas: fusificación, modelado cualitativo, simulación cualitativa y defusificación. La figura 1, muestra las cuatro funciones de la metodología FIR de forma esquemática, en donde se sombrean las dos tareas principales. Es decir, la identificación de los modelos cualitativos y el uso de éstos en la simulación cualitativa, con el propósito de predecir el comportamiento futuro del sistema en estudio.

Figura 1. Representación esquemática de la metodología FIR. Predicción y Modelado del ozono. La investigación realizada se centra en la identificación de modelos para la predicción del ozono a largo plazo considerando sólo un punto clave de la Zona Metropolitana de la Ciudad de México, en dos estaciones del año distintas. La zona elegida para estos estudios fue la zona centro (Merced), por ser una zona que cuenta con mayor actividad humana durante los días y las horas laborales, y por ende, está propensa a un mayor índice de contaminación. En el primer apartado se trabajo en la predicción del período no lluvioso, mayo del año 2008. En el segundo apartado se pronostica el segundo mes de invierno, enero del 2008. Los datos horarios disponibles para este estudio son proporcionados por el sistema RAMA que mide los cinco contaminantes atmosféricos centinela (O3, NO, NO2, SO2, CO), junto con las condiciones ambientales y meteorológicas (humedad relativa, temperatura, velocidad del viento y dirección del viento). La consideración de estas variables es importante por ser las que pueden disipar o concentrar en algún momento la concentración de contaminantes. Estas mediciones se registran cada hora durante las 24 horas del día, los 365 días del año, por lo tanto la frecuencia de las mediciones es alta. Con esta forma de medición se generan tres variables temporales: la hora del día, el día de la semana y el año. La base de datos presenta como principal característica un alto porcentaje de datos perdidos (-999999), los cuales se presentan en todas las variables en distintos instantes de tiempo. FIR es capaz de tratar con este tipo de datos, por lo que no se requiere un tratamiento previo de la base de datos. Los parámetros generales establecidos para la identificación de los modelos en los dos apartados desarrollados son: Las variables de entrada, velocidad del viento (vv), medida en metros por segundo (m/s); la dirección del viento (dv) en grados (0° a 365°); la temperatura (te) en grados centígrados (°C); la humedad relativa (hu) en porcentaje (%); las variables temporales, hora del día (ho) (0 a 24) y los días de la semana (ds) (representados del 1al 7). La variable

...