SciELO - Scientific Electronic Library Online

 
vol.14 número3CONTROL ÓPTIMO ROBUSTO CON RESTRICCIONES ESTRUCTURALESMODOS GUIADOS EM SLABS METAMATERIAIS índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Ingeniare. Revista chilena de ingeniería

versión On-line ISSN 0718-3305

Ingeniare. Rev. chil. ing. v.14 n.3 Arica dic. 2006

http://dx.doi.org/10.4067/S0718-33052006000200012 

 

Ingeniare. Revista chilena de ingeniería, vol. 14 No 3, 2006, pp. 284-290

ARTÍCULOS

ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES

TIME SERIES ANALYSIS OF ATMOSPHERE POLLUTION DATA USING ARTIFICIAL NEURAL NETWORKS TECHNIQUES

 

Giovanni Salini Calderón1   Patricio Pérez Jara2

1 Facultad de Ingeniería, Universidad Católica de la Ssma. Concepción, Chile, gsalini@ucsc.cl; fono (56-41) 2735690

2 Departamento de Física, Facultad de Ciencia, USACH, Chile, pperez@usach.cl; fono (56-02) 7763322


RESUMEN

Se diseñó una red neuronal artificial (RNA) para hacer predicciones de valores de concentraciones horarias de material particulado fino en la atmósfera. El estudio está basado en los datos de tres años de series de tiempo de pm2.5 (material particulado suspendido de 2,5 micrones de diámetro), obtenidos en una estación céntrica de la Red MACAM de la ciudad de Santiago de Chile, entre los años 1994 y 1996. Para obtener el espaciamiento óptimo de los datos, así como el número de datos hacia atrás necesarios para pronosticar el valor futuro, se aplicaron dos test estándar usados en estudio de sistemas dinámicos, como Información Mutua promedio (AMI) y Falsos Vecinos más Cercanos (FNN). De esta manera se encontró que lo más conveniente era considerar como entrada los datos de PM2.5 cada seis horas durante un día (cuatro datos), y en base a ellos predecir el dato siguiente. Una vez fijo el número de variables de entrada y elegida la variable a pronosticar, se diseñó un modelo predictivo basado en la técnica de RNA. El tipo de modelo de RNA usado fue uno de multicapas, alimentado hacia adelante y entrenado mediante la técnica de propagación hacia atrás. Se probaron redes sin capa oculta y con una y dos capas ocultas. El mejor modelo resultó ser con una capa oculta, a diferencia de lo obtenido en trabajo anterior que reportaba que la red sin capa oculta era más eficiente. Los resultados fueron más precisos que los obtenidos con un modelo de persistencia (el valor en seis horas más será el mismo que el actual).

Palabras clave: Contaminación ambiental, series temporales, redes neuronales artificiales, pronóstico, material particulado pm2.5, dinámica no lineal.



ABSTRACT

An artificial neural network for the forecasting of concentrations of fine particulate matter in the atmosphere was designed. The data set analyzed corresponds to three years of pm2.5 time series (particulate matter in suspension with aerodynamic diameter less than 2,5 microns), measured in a station that belongs to Santiago's monitoring network (Red MACAM) and is located near downtown. We consider measurements of concentrations between May and August for years between 1994 and 1996. In order to find the optimal time spacing between data and the number of values into the past necessary to forecast a future value, two standard tests were performed, Average Mutual Information (AMI) and False Nearest Neighbours (FNN). The results of these tests suggest that the most convenient choice for modelling was to use 4 data with 6 hour spacing on a given day as input in order to forecast the value at 6 AM on the following day. Once the number and type of input and output variables are fixed, we implemented a forecasting model based on the neural network technique. We used a feedforward multilayer neural network and we trained it with the backpropagation algorithm. We tested networks with none, one and two hidden layers. The best model was one with one hidden layer, in contradiction with a previous study that found that minimum error was obtained with a net without hidden layer. Forecasts with the neural network are more accurate than those produced with a persistence model (the value six hours ahead is the same as the actual value).

Keywords: Air pollution, times series, artificial neural networks, forecasting, pm2.5, nonlinear dynamics.



AGRADECIMIENTOS

Este trabajo fue en parte financiado por el proyecto FONDECYT No 1050015 y en parte por la Dirección de Investigación y Postgrado de la Universidad Católica de la Ssma. Concepción .

REFERENCIAS

[1] M. Ilabaca, et al. "Association between levels of fine particulate and emergency visits for pneumonia and ot h er respiratory illnesses among children in Santiago, Chile". Journal of the Air and Waste Management Association. Vol. 49, pp. 154-163. 1999.         [ Links ]

[2] J. Schwartz, F. Laden and A. Zanobetti. "The concentration-response relation between PM2.5 and daily deaths". Environmental health perspectives. Vol. 110 No 10, pp. 1025-1029. Octubre 2002.         [ Links ]

[3] P. Pérez and J. Reyes. "Prediction of particulate air pollution using neural techniques". Neural Computation & Application. Vol. 10, pp. 165-171. 2001.         [ Links ]

[4] H. Abarbanel. "Analysis of Observed Data". Institute for Nonlinear Science, Springer-Verlag. 1996.         [ Links ]

[5] A.M. Fraser and H.L. Swinney. "Independent coordinates for strange attractors from mutual information". Physical Review A. Vol. 33, pp. 1134-1140. 1986.         [ Links ]

[6] J. Reyes y P. Pérez. "Predictibilidad del material particulado PM2.5 en Santiago de Chile utilizando técnicas de modelación de sistemas dinámicos y redes neuronales". Contribuciones Científicas y Tecnológicas. ACB. No 121, pp. 107-108. Diciembre 1998.         [ Links ]

[7] P. Pérez, A. Trier and J. Reyes. "Prediction of PM2.5 concentrations several hours in advance, using neural networks in Santiago, Chile". Atmospheric Environments. Vol. 34, pp. 1189-1196. 2000.         [ Links ]

[8] J.B. Ordieres, E.P. Vergara, R.S. Capuz and R.E. Salazar. "Neural network prediction model for fine particulate matter (PM2.5) on the US-Mexico border in El Paso (Texas) and Ciudad Juarez (Chihuahua)". Environmental Modelling & Software 20, pp. 547-559. 2005.         [ Links ]

[9] P. Pérez and J. Reyes. "Prediction of maximum of 24-h average of PM10 concentrations 30 h in advance in Santiago, Chile". Atmospheric Environment. Vol. 36, pp. 4555-4561. 2002.         [ Links ]


Recibido el 24 de marzo de 2006, aceptado el 3 de julio de 2006