Estimació de la variació horària de la concentració d'ozó fent ús de dades meteorològiques i models LUR

Abstract

L'increment de l'emissió de substàncies contaminants a l'atmosfera en els darrers segles ha convertit la pol·lució en una de les principals amenaces mediambientals. Davants els riscos que la contaminació de l'aire suposa pel planeta i per la salut humana, s'han de prendre mesures per a reduir la concentració de contaminants a l'atmosfera i que aquesta no superi llindars crítics. Una manera de millorar l'eficiència d'aquestes accions és a través de la creació de models de pronòstic de les concentracions de contaminants, que permeten anticipar-se al problema a partir de prediccions estadístiques, numèriques o d'algorismes d'intel·ligència artificial. En aquest treball, es creen regressions d'ús de sòl (LUR) amb models GBM per a estimar la concentració d'ozó troposfèric (O3) a partir de dades de concentracions de contaminants, d'estacions meteorològiques i d'ús de sòl. Es duu a procés una selecció de les millors variables i es troba que la radiació UV en superfície mitjana en les últimes 8 hores i la concentració de NO2 són els factors que més afecten a la concentració d'ozó. Afegint més variables relacionades amb el temps, el vent, la radiació i la densitat de carrils de carreteres en la zona, s'obté un model de 7 variables que obté un R2 de 0,911 amb un RMSE de 9,884'g/m3. Afegint una variable relacionada amb temperatura i l'any, el model obté un R2 de 0,933 amb un RMSE de 8,548'g/m3. Finalment, es realitza un downscaling per a obtenir prediccions a resolució més elevada.

The rise in air pollutant emissions in the last centuries has turned air pollution into one of the main environmental threats. Ahead of the risks that air pollution means for the planet and for human health, steps must be taken to reduce the concentration of air pollutants in the atmosphere so that they don't exceed critical limits. One way to improve the efficiency of these actions is to create forecast models of air pollutants to be able to anticipate the issue using statistical, numeric or artificial-intelligence-based predictions. In this work, land use regressions (LUR) are created with GBM models to estimate the concentration of tropospheric ozone (O3) using data of the concentrations of air pollutants, data from weather stations and land use data. A selection of variables reveals that the 8-hour mean downward UV radiation at the surface and NO2 concentration are the most important factors to predict the concentration of ozone. Adding more variables based on time, wind, radiation and lane density of nearby highways, a 7-variable model is built with a R2 value of 0.911 and a RMSE value of 9.884g/m3. Adding a temperature-related variable and the year, the model obtains a R2 value of 0.933 and a RMSE value of 8.548g/m3. Finally, high resolution predictions are calculated from a downscaling process.

El incremento de la emisión de sustancias contaminantes a la atmósfera en los últimos siglos ha convertido a la polución en una de las principales amenazas medioambientales. Frente a los riesgos que la contaminación del aire supone para el planeta y para la salud humana, se tienen que tomar medidas para reducir la concentración de contaminantes atmosféricos y que esta no supere umbrales críticos. Una manera de mejorar la eficiencia de estas acciones es a través de la creación de modelos de pronóstico de las concentraciones de contaminantes, que permiten anticiparse al problema a partir de predicciones estadísticas, numéricas o de algoritmos de inteligencia artificial. En este trabajo, se crean regresiones de uso de suelo (LUR) con modelos GBM para estimar la concentración de ozono troposférico (O3) a partir de datos de concentraciones de contaminantes, de estaciones meteorológicas y de uso de suelo. Se lleva a cabo una selección de las mejores variables y se encuentra que la radiación UV en superficie media en las últimas 8 horas y la concentración de NO2 son los factores que más afectan a la concentración de ozono. Añadiendo más variables relacionadas con el tiempo, el viento, la radiación y la densidad de carriles de carreteras en la zona, se obtiene un modelo de 7 variables que obtiene un R2 de 0,911 con un RMSE de 9,884g/m3. Añadiendo una variable relacionada con la temperatura y el año, el modelo obtiene un R2 de 0,933 con un RMSE de 8,548g/m3. Finalmente, se realiza un downscaling para obtener predicciones a una resolución más elevada.