Descargar el fichero

El equipo de investigación de calidad del aire AireKal de la Universidad del
País Vasco está formado por Elena Agirre, L.J.R. Barrón y Albaro Anta. Desde la
elaboración de la tesis doctoral de la profesora E. Agirre [1], investigadora principal del
grupo AireKal, este equipo ha desarrollado una línea de investigación enfocada al
estudio de los modelos de predicción con aplicación en la calidad del aire, basándose
fundamentalmente en la utilización de las redes neuronales artificiales como técnica de
diseño genérico del modelo. Así, han realizado trabajos en los que se han elaborado
modelos de predicción, en tiempo real, a corto plazo (hasta ocho horas vista) de los
niveles horarios de ozono y dióxido de nitrógeno en diversas estaciones de la ciudad de
Bilbao [2]. Las técnicas iniciales utilizadas en el diseño de los modelos fueron la
regresión lineal multivariante y el perceptrón multicapa (MLP, multilayer perceptron).
Probada la eficacia superior de las redes neuronales artificiales, en los siguientes
trabajos se abordó la elaboración de modelos basados en la utilización del MLP con el
fin de ampliar la capacidad de predicción de los niveles en nuevas estaciones de la Red
de Control y Vigilancia de la Calidad del Aire de la Comunidad Autónoma del País
Vasco (CAPV) [3]. Así, previo estudio de la evolución del ozono, dióxido de nitrógeno
y valores de las variables meteorológicas más relevantes registradas horariamente
durante el periodo 2001-2004 en las estaciones de Elciego (única estación de la zona
denominada Rioja Alavesa), Muskiz, Zierbena, Algorta, Mundaka, Elgoibar, Pagoeta,
Avenida Tolosa y Jaizkibel (estaciones de la zona costera denominada Kostaldea), se
puedieron establecer varios modelos de predicción en estaciones con nueva ubicación,
algunas en la costa y otras en el interior de la CAPV, algunas urbanas y otras de tipo
rural [4].
Los MLPs diseñados en los trabajos iniciales constaban de tres capas: la capa de
entrada, la capa intermedia y la capa de salida. La capa de entrada estaba formada por
los valores históricos de las variables de ozono, dióxido de nitrógeno y valores
meteorológicas utilizadas en la construcción matricial, habiendo que determinar el
número mínimo N de neuronas necesario en dicha capa. La capa de salida está formada
por la predicción de ozono a k horas vista en cada estación, con k = 1, 2,…,8. Luego, se
establecieron ocho redes neuronales artificiales en cada estación. Finalmente, la
determinación del número de neuronas S de la capa intermedia se realizó mediante
procedimiento de prueba-error, según la regla que afirma que “el número de patrones de
entrenamiento debe ser al menos 30 veces el número de parámetros del MLP”. Las
funciones de transferencia utilizadas para conectar las distintas capas fueron la función
tangente sigmoidal como función de conexión entre la capa de entrada y la capa
intermedia y la función lineal como función de transferencia entre la capa intermedia y
la capa de salida.
El MLP tiene la capacidad de enseñar a un nuevo valor que nunca ha visto el
comportamiento de la red. El proceso de aprendizaje del MLP matemáticamente es
equivalente a un problema de optimización, donde mediante el ajuste de los valores de
los parámetros se minimiza la función de error, que en este caso mide de forma
cuantitativa la diferencia existente entre los valores predichos para el ozono hasta ocho
horas vista y los valores de ozono medidos en la realidad. Así, se entrena el MLP de
forma que cada vez que se introduce una entrada se produce una salida (predicción) a
comparar con el valor objetivo (valor real). Este proceso se produce una y otra vez hasta
que se halla el mínimo de la función error. De este modo, el algoritmo de entrenamiento
utilizado fue un algoritmo derivado del algoritmo de backpropagation denominado
algoritmo de gradiente conjugado escalado.
Con el fin de que el MLP tuviera capacidad de generalización, es decir, que
fuera adecuado para un dato que el MLP nunca haya visto anteriormente, se aplicó la
técnica denominada early stopping, separando la base de datos como sigue: los datos
del periodo 2001-2002 formaron el conjunto de entrenamiento, el conjunto de
validación lo formaron los datos del año 2003 y los datos del año 2004 formaron el
conjunto de test.
En trabajos posteriores se realizó un estudio sobre la relevancia de las variables
de entrada a utilizar en un modelo de predicción de los niveles de ozono máximos
diarios a un día vista en las estaciones de Muskiz, Zierbena, Algorta, Mundaka y
Pagoeta (ubicadas en la zona de Kostaldea), Izki y Valderejo (ubicadas en Alava
Septentrional) [5]. En estos se dedujo que la utilización de las variables meteorológicas
juegan un papel muy importante en la predicción de los niveles máximos de ozono
diarios cuando estos valores son elevados [6], lo cual resulta de gran interés de cara a
construir un modelo de predicción eficaz que pueda ser una herramienta útil para avisar
a la población ante posibles superaciones de los umbrales de ozono de protección de la
salud (umbral de información a la población 180 ug/m3 horarios y umbral de alerta a la
población 240 ug/m3 horarios).
El siguiente trabajo por tanto concluyó con la elaboración de una aplicación
informática denominada airEsan, ozone prediction system que permite calcular los
niveles de ozono máximos diarios en diversas estaciones de la Red de Control y
Vigilancia de la Calidad del Aire de la CAPV [7, 8]. Esta aplicación está
exclusivamente en uso en el Departamento de Medio Ambiente y Ordenación del
Territorio del Gobierno Vasco.
Actualmente, se ha finalizado el trabajo de investigación que ha permitido
actualizar tanto la ecuación matemática del modelo de predicción como la aplicación
informática diseñado para predecir los niveles de ozono máximos diarios a un día vista
en las estaciones de Mundaka y Pagoeta, basado sobre la base de datos del periodo
2004-2008 [9, 10].
De cara al futuro se prevé actualizar la aplicación informática e introducir
nuevas estaciones de la Red de Control y Vigilancia de la Calidad del Aire de la CAPV
en la aplicación airEsan, ozone prediction system.
Siempre agradeceremos al Departamento de Medio Ambiente y Ordenación del
Territorio del Gobierno Vasco, quien ha financiado numerosos de nuestros trabajos y
nos proporciona los datos necesarios para llevar a cabo dichos trabajos de investigación.
Referencias
[1] E. Agirre, 2003. Bilbo hiriko O3 eta NO2-aren mailak denbora errealean epe
laburrean aurresateko eredu estatistikoaren eraiketa (Elaboración de un modelo
estadístico de pronóstico en tiempo real a corto plazo de los niveles de O3 y NO2 en
la ciudad de Bilbao). Tesis doctoral Universidad del País Vasco / Euskal Herriko
Unibertsitatea. Digitalizada en 2008.
[2] E. Agirre, G. Ibarra, I. Madariaga, 2006. Regression and multilayer perceptronbased models to forecast hourly O3 and NO2 levels in the Bilbao area,
Environmental Modelling and Software 21, 430-446.
[3] E. Agirre, A. Anta, L.J.R. Barron, 2005. Puesta a punto, operación, tratamiento y
control de calidad de los niveles de ozono registrados en Kostaldea y Rioja Alavesa
en el periodo 2001-2004, Departamento de Medio Ambiente y Ordenación del
Territorio del Gobierno Vasco.
[4] E. Agirre, A. Anta, L.J.R. Barron, 2005. Elaboración y evaluación de un modelo de
predicción, en tiempo real, de los niveles de ozono registrados en Kostaldea y Rioja
Alavesa, basado en el uso de redes neuronales, Departamento de Medio Ambiente y
Ordenación del Territorio del Gobierno Vasco.
[5] E. Agirre, A. Anta, L.J.R. Barron, 2006. Predicción de los niveles máximos de ozono
diarios en Kostaldea y Alava Septentrional. Determinación de las variables de
entrada del modelo de predicción, Departamento de Medio Ambiente y Ordenación
del Territorio del Gobierno Vasco.
[6] E. Agirre, A. Anta, L.J.R. Barron, MV Albizu, 2007. La utilización de variables
meteorológicas en la elaboración de un modelo de predicción de los niveles
máximos de ozono diarios, 5.º Simpósio de Meteorologia e Geofísica da APMG, 8.º
Encontro Luso-Espanhol de Meteorologia, Peniche (Portugal).
[7] E. Agirre, A. Anta, L.J.R. Barron, 2007. Análisis y desarrollo de un modelo
informático de predicción de los niveles de ozono máximos diarios, Departamento
de Medio Ambiente y Ordenación del Territorio del Gobierno Vasco.
[8] E. Agirre, A. Anta, L.J.R. Barron, MV Albizu, 2008. The role of the multilayer
perceptron in the elaboration of prognostic models, International Technology,
Education and Development Conference, Valencia.
[9] E. Agirre, A. Anta, L.J.R. Barron, 2008. Actualización de un modelo informático de
predicción de los niveles máximos de ozono diarios, Departamento de Medio
Ambiente y Ordenación del Territorio del Gobierno Vasco.
[10] E. Agirre, A. Anta, L.J.R. Barron, 2008. Determinación matricial del modelo de
predicción de los niveles máximos de ozono diarios en Mundaka y Pagoeta
construido sobre el periodo 2004-2007, Departamento de Medio Ambiente y
Ordenación del Territorio del Gobierno Vasco.