Los análisis de la composición de las partículas, el estudio de la meteorología, el análisis estadístico de los datos y la modelización, son algunas de las herramientas utilizadas por ENVIRA Ingenieros Asesores para la obtención de datos clave que permitan definir estrategias en planes de mejora de calidad del aire.
Establecer medidas para mejorar la calidad del aire en una zona o aglomeración, requiere un conocimiento exhaustivo del origen de la contaminación. Los análisis de la composición de las partículas, el estudio de la meteorología, el análisis estadístico de los datos y la modelización, son algunas de las herramientas imprescindibles para definir las estrategias más adecuadas.
Según el Artículo 24 del Real Decreto 102/2011 relativo a la mejora de la calidad del aire, cuando, en determinadas zonas o aglomeraciones, los niveles de contaminantes en el aire ambiente superen cualquier valor límite o valor objetivo, así como el margen de tolerancia correspondiente a cada caso, las comunidades autónomas (y entidades locales cuando corresponda según lo previsto en los artículos 5.3 y 10.1 de la Ley 34/2007) aprobarán planes de calidad del aire para esas zonas y aglomeraciones con el fin de conseguir respetar el valor límite o el valor objetivo correspondiente.
ESTUDIOS DE CONTRIBUCIÓN DE FUENTES
Con objeto de determinar el origen de la contaminación en un punto concreto, se pueden realizar estudios de contribución de fuentes, que consisten en realizar una amplia caracterización de la materia particulada (PM10, PM2.5, etc.), tanto en lo relativo al número de muestras como a los parámetros a determinar, con objeto de disponer de suficiente información que, asociada a parámetros meteorológicos y mediante la aplicación de modelos, permita extraer conclusiones.
Estos estudios requieren de herramientas específicas, como son las que se muestran a continuación:
Análisis con modelo Positive Matrix Factorization (PMF)
El modelo Positive Matrix Factorization, permite atribuir las partículas captadas con sus concentraciones de un número amplio de sustancias a un conjunto de factores contribuyentes, generalmente, reducidos, de forma que cada una de las muestras, con su composición específica, se pueda expresar como la suma de las contribuciones de esos factores.
Para la identificación de las contribuciones al material particulado PM10 el método de Factorización Matricial Positiva (PMF), constituye una herramienta de análisis de factores que descompone una matriz de concentraciones [X], en la suma del producto de dos matrices, una de contribuciones [G] y otra de factores [F], más una matriz de residuos o errores [E].
Como ni los elementos de [F] (factores) ni los de [G] (contribuciones) pueden ser negativos, los valores de fkj y gik se restringen a valores no negativos, por lo que el método se denomina de Factorización Matricial Positiva (PMF).
Evidentemente, existen infinitas soluciones para la ecuación matricial [X] = [G] x [F] + [E] con p factores. El algoritmo del PMF busca mínimos locales para la función objeto Q definida como:
Donde uij y eij son respectivamente la incertidumbre y el residuo correspondientes a la especie j en la muestra i (a la concentración medida xij).
Cabe destacar el peso de las incertidumbres de las medidas en la función objeto Q: A igualdad de residuo, una medida con la mitad de incertidumbre que otra contribuye 4 veces más a la función objetivo. La minimización de la función objetivo privilegia el ajuste de las especies con menores incertidumbres de medida.
Campaña de análisis con OPENAIR
Openair es una biblioteca de funciones para el lenguaje R, orientado al análisis estadístico y al análisis de datos en general, con unas funciones orientadas al análisis de datos de calidad del aire. Permite relacionar parámetros entre sí, parámetros con direcciones de viento, series temporales, discriminaciones por períodos, por direcciones de viento, etc.
En concreto, con los resultados de las contribuciones obtenidas con el modelo modelo Positive Matrix Factorization, Openair nos permite relacionar las contribuciones de los factores obtenidos, con las direcciones de viento.
Como se ha indicado, Openair permite establecer:
- Gráficas y estadísticas
- Rosas de contaminación, simples o condicionadas
| · Rosas de percentiles | · Gráfica polar de frecuencias |
 |
 |
MODELIZACIÓN
La modelización matemática es una herramienta imprescindible en el estudio de la contaminación atmosférica, al igual que en otras disciplinas, para entender los procesos implicados. En el caso de la contaminación atmosférica, el marco en el que se desarrollan los fenómenos es la atmósfera, la cual no es controlable, ni reproducible completamente en laboratorio.
Dependiendo del nivel de las concentraciones, puede utilizarse como información suplementaria o como fuente exclusiva de información para la evaluación, de esta forma se permite reducir el número de estaciones de vigilancia en una zona cuando se llevan a cabo actividades de modelización.
También es una herramienta importante para la realización de planes de mejora de la calidad del aire, que es necesario aplicar cuando se superan los valores límite u objetivo. Una de las aplicaciones más importantes de los modelos para esos planes es la contribución de fuentes (incluida la aportación transfronteriza y de fuentes naturales), la cuantificación del efecto de las medidas de minimización de la contaminación aplicadas a cada área y el seguimiento de las mismas.
La modelización también es útil en la predicción de la calidad del aire. Igualmente, en los casos de superaciones de los umbrales de información y de alerta es una herramienta que permite informar sobre los niveles previstos y tomar medidas en la aplicación de planes de acción a corto plazo (protocolos de contaminación).
Eurofins Control Ambiental, disponemos de personal especializado y con experiencia en la realización de Estudios de contribución de fuentes y Modelización matemática aplicada a la contaminación atmosférica. Igualmente, nuestro laboratorio tiene experiencia y puesto a punto los métodos de caracterización de los principales contaminantes.