Pronóstico de las concentraciones de SO2 y NO2 en Ecuador a partir de imágenes satelitales Sentinel 5P, mediante técnicas de Machine Learning
La contaminación del aire se ha convertido en uno de los principales problemas ambientales a nivel mundial debido a su afección tanto en el medio ambiente como en la salud en general. Los gobiernos tanto nacionales como internacionales han implementado esfuerzos para medir y controlar las emision...
| Main Authors: | , |
|---|---|
| Other Authors: | |
| Format: | bachelorThesis |
| Language: | spa |
| Published: |
Universidad de Cuenca
2023
|
| Subjects: | |
| Online Access: | http://dspace.ucuenca.edu.ec/handle/123456789/40634 |
| _version_ | 1785802345355935744 |
|---|---|
| author | Ortiz Morocho, Dayana Mishel Montesdeoca Jara, Bryam Adrián |
| author2 | Mejía Coronel, Julio Danilo |
| author_facet | Mejía Coronel, Julio Danilo Ortiz Morocho, Dayana Mishel Montesdeoca Jara, Bryam Adrián |
| author_sort | Ortiz Morocho, Dayana Mishel |
| collection | DSpace |
| description | La contaminación del aire se ha convertido en uno de los principales problemas
ambientales a nivel mundial debido a su afección tanto en el medio ambiente como en la
salud en general. Los gobiernos tanto nacionales como internacionales han implementado
esfuerzos para medir y controlar las emisiones de contaminantes al aire proveniente de
fuente antrópicas instalando redes de monitorización atmosférica. Sin embargo, no todas
las ciudades y países cuentan con estas herramientas de monitoreo. Por ello, el uso de
las imágenes satelitales ha ido tomando fuerza en los últimos años ya que nos permite
obtener información satelital de áreas que no cuentan con monitoreo terrestre y poder
utilizar estos datos para fines de control, prevención e investigación. Por medio de dicha
información podemos realizar análisis y modelado de las emisiones y comportamiento de
los contaminantes atmosféricos.
Debido a la necesidad de poder prevenir a la sociedad y tomar medidas preventivas de las
emisiones de contaminantes atmosféricos, la comunidad científica en los últimos años ha
propuesto diferentes modelos matemáticos y modelos de aprendizaje no supervisado que
permitan predecir las emisiones de los contaminantes atmosféricos. Para ello, es necesario
tomar en cuenta las variables externas que afectan al comportamiento de los
contaminantes dependiendo de la zona de estudio, ya que la ubicación geográfica, la
topografía, y condiciones meteorológicas influyen directa o indirectamente en este
comportamiento, por esta razón generalmente los investigadores diseñan modelos para
regiones específicas. No existe un método para establecer qué variables meteorológicas
deben ser usadas en la predicción de los contaminantes, los antecedentes a usar son los
estudios previos realizados, observando los resultados obtenidos para saber las influencias
de estas variables en el comportamiento de los contaminantes.
El presente trabajo propone dos modelos de predicción de la concentración de NO2 y SO2
para las tres ciudades más importantes del Ecuador Tomando como base la información
de imágenes satelitales Sentinel-5P, Giovanni NASA y ERA 5. El primer modelo propuesto
utiliza redes Neuronales Recurrentes utilizando el número de retrasos o variables ficticias
creadas que se utilizan para encontrar relaciones entre la concentración y las variables
meteorológicas, las cuales proporcionan información a la red neuronal para realizar la
Bryam Montesdeoca Jara
Dayana Ortiz Morocho ii
predicción. Se propuso predecir la contaminación atmosférica hasta 5 días hacia adelante
con el uso de diferentes estructuras buscando la mejor para el pronóstico. El segundo
modelo propuesto utiliza el método de Random Forest teniendo en cuenta dos
características importantes, la profundidad máxima de cada árbol y el número mínimo de
muestras para considerarse Nodos Hoja. Estas dos características nos dan dos
perspectivas acerca de los bosques aleatorios buscando el mejor modelo de predicción.
Se puede decir que la predicción a través del algoritmo de Regresión de Random Forest
fue el que mejor rendimiento R2=0,98 mostró y las métricas de error MAPE, RMSE y PBIAS
fueron más bajas en este método con valores de 7, 3,67, 0,68, respectivamente, haciendo
énfasis en los distintos conjuntos de datos, la predicción para la ciudad de Cuenca fue la
mejor seguida de la ciudad de Guayaquil que supera ligeramente a las predicciones de
Quito. Esto demuestra que la predicción de la calidad del aire es efectiva mostrando
resultados satisfactorios y abriendo puertas a nuevas investigaciones con la finalidad de
poder prever las medidas de concentraciones de gases contaminantes al aire y así poder
tomar decisiones preventivas tanto para la salud como el medio ambiente. |
| format | bachelorThesis |
| id | oai:dspace.ucuenca.edu.ec:123456789-40634 |
| institution | Universidad de Cuenca |
| language | spa |
| publishDate | 2023 |
| publisher | Universidad de Cuenca |
| record_format | dspace |
| spelling | oai:dspace.ucuenca.edu.ec:123456789-406342023-01-10T13:22:05Z Pronóstico de las concentraciones de SO2 y NO2 en Ecuador a partir de imágenes satelitales Sentinel 5P, mediante técnicas de Machine Learning Ortiz Morocho, Dayana Mishel Montesdeoca Jara, Bryam Adrián Mejía Coronel, Julio Danilo Ingeniería Ambiental Contaminación ambiental Contaminantes Meteorología Medio ambiente La contaminación del aire se ha convertido en uno de los principales problemas ambientales a nivel mundial debido a su afección tanto en el medio ambiente como en la salud en general. Los gobiernos tanto nacionales como internacionales han implementado esfuerzos para medir y controlar las emisiones de contaminantes al aire proveniente de fuente antrópicas instalando redes de monitorización atmosférica. Sin embargo, no todas las ciudades y países cuentan con estas herramientas de monitoreo. Por ello, el uso de las imágenes satelitales ha ido tomando fuerza en los últimos años ya que nos permite obtener información satelital de áreas que no cuentan con monitoreo terrestre y poder utilizar estos datos para fines de control, prevención e investigación. Por medio de dicha información podemos realizar análisis y modelado de las emisiones y comportamiento de los contaminantes atmosféricos. Debido a la necesidad de poder prevenir a la sociedad y tomar medidas preventivas de las emisiones de contaminantes atmosféricos, la comunidad científica en los últimos años ha propuesto diferentes modelos matemáticos y modelos de aprendizaje no supervisado que permitan predecir las emisiones de los contaminantes atmosféricos. Para ello, es necesario tomar en cuenta las variables externas que afectan al comportamiento de los contaminantes dependiendo de la zona de estudio, ya que la ubicación geográfica, la topografía, y condiciones meteorológicas influyen directa o indirectamente en este comportamiento, por esta razón generalmente los investigadores diseñan modelos para regiones específicas. No existe un método para establecer qué variables meteorológicas deben ser usadas en la predicción de los contaminantes, los antecedentes a usar son los estudios previos realizados, observando los resultados obtenidos para saber las influencias de estas variables en el comportamiento de los contaminantes. El presente trabajo propone dos modelos de predicción de la concentración de NO2 y SO2 para las tres ciudades más importantes del Ecuador Tomando como base la información de imágenes satelitales Sentinel-5P, Giovanni NASA y ERA 5. El primer modelo propuesto utiliza redes Neuronales Recurrentes utilizando el número de retrasos o variables ficticias creadas que se utilizan para encontrar relaciones entre la concentración y las variables meteorológicas, las cuales proporcionan información a la red neuronal para realizar la Bryam Montesdeoca Jara Dayana Ortiz Morocho ii predicción. Se propuso predecir la contaminación atmosférica hasta 5 días hacia adelante con el uso de diferentes estructuras buscando la mejor para el pronóstico. El segundo modelo propuesto utiliza el método de Random Forest teniendo en cuenta dos características importantes, la profundidad máxima de cada árbol y el número mínimo de muestras para considerarse Nodos Hoja. Estas dos características nos dan dos perspectivas acerca de los bosques aleatorios buscando el mejor modelo de predicción. Se puede decir que la predicción a través del algoritmo de Regresión de Random Forest fue el que mejor rendimiento R2=0,98 mostró y las métricas de error MAPE, RMSE y PBIAS fueron más bajas en este método con valores de 7, 3,67, 0,68, respectivamente, haciendo énfasis en los distintos conjuntos de datos, la predicción para la ciudad de Cuenca fue la mejor seguida de la ciudad de Guayaquil que supera ligeramente a las predicciones de Quito. Esto demuestra que la predicción de la calidad del aire es efectiva mostrando resultados satisfactorios y abriendo puertas a nuevas investigaciones con la finalidad de poder prever las medidas de concentraciones de gases contaminantes al aire y así poder tomar decisiones preventivas tanto para la salud como el medio ambiente. Air pollution has become one of the main environmental problems worldwide due to its effects on both the environment and health in general. Both national and international governments have implemented efforts to measure and control air pollutant emissions from anthropogenic sources by installing atmospheric monitoring networks. However, not all cities and countries have these monitoring tools. For this reason, the use of satellite images has been gaining strength in recent years as it allows us to obtain satellite information from areas that do not have terrestrial monitoring and to be able to use this data for control, prevention and research purposes. Through this information we can perform analysis and modeling of emissions and behavior of atmospheric pollutants. Due to the need to be able to prevent society and take preventive measures regarding the emissions of atmospheric pollutants, the scientific community in recent years has proposed different mathematical models and unsupervised learning models that allow predicting the emissions of atmospheric pollutants. For them it is necessary to take into account the external variables that affect the behavior of pollutants depending on the study area, since the geographical location, topography, and meteorological conditions directly or indirectly influence this behavior, for this reason researchers generally design models for specific regions. There is no method to establish which meteorological variables should be used in the prediction of pollutants, the background to be used are the previous studies carried out, observing the results obtained to know the influences of these variables on the behavior of pollutants. The present work proposes two prediction models for the concentration of NO2 and SO2 for the three most important cities of Ecuador, based on information from Sentinel-5P, Giovanni NASA and ERA 5 satellite images. The first proposed model uses Recurrent Neural Networks using the number of lags or dummy variables created that are used to find relationships between concentration and meteorological variables, which provide information to the neural network to make the prediction. It was proposed to predict air pollution up to 5 days ahead with the use of different structures looking for the best one for the forecast. The second proposed model uses the Random Forest method taking into account two important characteristics, the maximum depth of each tree and the minimum number of samples to be considered Leaf Nodes. These two features give us two Bryam Montesdeoca Jara Dayana Ortiz Morocho iv perspectives about random forests looking for the best prediction model. It can be said that the prediction through the Random Forest Regression algorithm was the one that showed the best performance R2=0.98 and the error metrics MAPE, RMSE and PBIAS were lower in this method with values of 7, 3.67, 0.68, respectively. , emphasizing the different data sets, the prediction for the city of Cuenca was the best, followed by the city of Guayaquil, which slightly exceeds the predictions for Quito. This shows that the prediction of air quality is effective, showing satisfactory results and opening doors to new research in order to be able to anticipate the measurements of concentrations of polluting gases in the air and thus be able to make preventive decisions for both health and the environment. Ingeniero Ambiental Cuenca 2023-01-09T14:51:46Z 2023-01-09T14:51:46Z 2023-01-06 bachelorThesis http://dspace.ucuenca.edu.ec/handle/123456789/40634 spa TIA;227 Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ openAccess application/pdf 164 páginas application/pdf Universidad de Cuenca |
| spellingShingle | Ingeniería Ambiental Contaminación ambiental Contaminantes Meteorología Medio ambiente Ortiz Morocho, Dayana Mishel Montesdeoca Jara, Bryam Adrián Pronóstico de las concentraciones de SO2 y NO2 en Ecuador a partir de imágenes satelitales Sentinel 5P, mediante técnicas de Machine Learning |
| title | Pronóstico de las concentraciones de SO2 y NO2 en Ecuador a partir de imágenes satelitales Sentinel 5P, mediante técnicas de Machine Learning |
| title_full | Pronóstico de las concentraciones de SO2 y NO2 en Ecuador a partir de imágenes satelitales Sentinel 5P, mediante técnicas de Machine Learning |
| title_fullStr | Pronóstico de las concentraciones de SO2 y NO2 en Ecuador a partir de imágenes satelitales Sentinel 5P, mediante técnicas de Machine Learning |
| title_full_unstemmed | Pronóstico de las concentraciones de SO2 y NO2 en Ecuador a partir de imágenes satelitales Sentinel 5P, mediante técnicas de Machine Learning |
| title_short | Pronóstico de las concentraciones de SO2 y NO2 en Ecuador a partir de imágenes satelitales Sentinel 5P, mediante técnicas de Machine Learning |
| title_sort | pronóstico de las concentraciones de so2 y no2 en ecuador a partir de imágenes satelitales sentinel 5p, mediante técnicas de machine learning |
| topic | Ingeniería Ambiental Contaminación ambiental Contaminantes Meteorología Medio ambiente |
| url | http://dspace.ucuenca.edu.ec/handle/123456789/40634 |
| work_keys_str_mv | AT ortizmorochodayanamishel pronosticodelasconcentracionesdeso2yno2enecuadorapartirdeimagenessatelitalessentinel5pmediantetecnicasdemachinelearning AT montesdeocajarabryamadrian pronosticodelasconcentracionesdeso2yno2enecuadorapartirdeimagenessatelitalessentinel5pmediantetecnicasdemachinelearning |