V12n2a10

Recibido: 23/04/2015 Aceptado: 19/05/2015 ITECKNE Vol. 12 Número 2 • ISSN 1692 - 1798 • ISSN Digital 2339-3483 • Diciembre 2015 • 188 - 197
Resumen– El monitoreo de la calidad de aire en la ciu-
dad de Cuenca detectó problemas de contaminación,
iniciándose así un trabajo más profundo sobre la disper-
sión y transporte de los contaminantes descubiertos.
Se trabajó con los modelos de dispersión DISPER5.2
y WRF/Chem, analizándose la calidad de modelación,
grado de aproximación y limitantes. El Sistema de In-
formación Geográfico ArcGIS permitió visualizar los
mapas generados en los modelos. DISPER5.2 presentó
una modelación de baja calidad debido a una limitada
resolución en la simulación. La modelación es puntual,
no hay relación entre todos los datos de entrada. WRF/
Chem estableció una relación entre los datos geográfi-
cos y meteorológicos de la zona de estudio con la quími-
ca de los contaminantes, reportando resultados con una
alta resolución, tanto en áreas locales como globales.
Además, se evidenció la falta de información referente
a emisiones de contaminantes para la alimentación del
modelo y de equipos de monitoreo continuo.
Palabras clave– Calidad del aire, DISER5.2, WRF/
CHEM, ArcGIS.
Abstract– The air quality monitoring performed in the
city of Cuenca, pollution problems became evident, the-
refore a more detailed study related to the dispersion
and transport of contaminants was conducted. In this
context two dispersion models such as: DISPER5.2
and WRF/Chem, were applied to analyze the quality
of modeling, degree of approximation and limitations.
The Geographic Information System ArcGIS allowed vi-
sualization the maps generated from the models. The
DISPER5.2 model showed a low quality modeling, due
to limited resolution simulation, modeling is punctual
and no relationship between all input data. The second
model (WRF/Chem), established a relationship between
geographic and meteorological data of the study area
with chemistry and pollutant dispersion, reporting re-
sults with high resolution in both: local and global areas.
In addition, the lack of information regarding emissions
of pollutants to feed the model and continuous monito-
ring devices was evident.
Key words– Air Quality, DISER5.2, WRF/CHEM, ArcGIS.
1. INTRODUCCIÓN
En la actualidad, el estudio de los procesos que
sufren los contaminantes emitidos a la atmósfera
se basa en el uso de modelos numéricos que si-
mulan los procesos físicos y químicos de dichos
contaminantes. Estos modelos son ampliamente
utilizados por los organismos encargados de con-
trolar la contaminación del aire, para identificar
las contribuciones de origen y ayudar en el diseño
de estrategias efectivas de control de la contami-
nación. La United States Environmental Protection
Agency (USEPA) [1] manifiesta que los modelos
pueden ser utilizados para predecir las concentra-
ciones futuras de contaminantes provenientes de
múltiples fuentes después de la implementación
de programas de regulación, con el fin de evaluar
la efectividad de dichos programas.
Dentro de los modelos de dispersión existe
normalmente un módulo químico que representa
los procesos de transformación química y de fase,
un módulo meteorológico que entrega los campos
de vientos, temperatura, humedad, etc., que son
necesarios para la resolución de la ecuación de
Modelamiento de la calidad del aire en la ciudad
de Cuenca-Ecuador
Modeling air quality in the city of Cuenca-Ecuador
Diana Lucía Moscoso-Vanegas
Ph. D. (c). Ciencias Técnicas
Universidad de Cuenca
Cuenca, Ecuador
diana.moscoso@ucuenca.edu.ec
Verónica Eulalia Vázquez-Freire
Ingeniera Química
Cuenca, Ecuador
vevazquezf@gmail.com
Ana Lucía Astudillo-Alemán
M. Sc. Toxicología Industrial y Ambiental
Cuenca, Ecuador
anilua33@hotmail.com

189Modelamiento de la calidad del aire en la ciudad de Cuenca-Ecuador – Moscoso, Vázquez, Astudillo
continuidad de cada contaminante y un módulo
que resuelve los procesos de transporte como la
advección, convección, turbulencia, entre otros;
todos estos módulos están conectados con ba-
ses de datos como son los inventarios de emi-
siones, datos de topografía y usos de suelos de
la zona [2].
Existen varios tipos de modelos matemáticos
para estudiar la dispersión de los contaminantes
atmosféricos. Los modelos gaussianos son de
uso común para el estudio de fuentes puntuales
como las chimeneas industriales, mientras que
los de escala local y regional son herramientas
de gestión de calidad del aire ya que consideran
los efectos de múltiples fuentes, contaminantes
primarios y secundarios, procesos de deposición
y meteorología local y regional. Los modelos glo-
bales al igual que los locales y regionales abarcan
múltiples variables y, además, resuelven las ecua-
ciones de continuidad para toda la atmósfera [3].
Entre los modelos gaussianos se tiene el soft-
ware DISPER5.2, que permite evaluar de una ma-
nera rápida y sencilla la dispersión de una gran
cantidad de contaminantes atmosféricos en el
aire como monóxido de carbono (CO), monóxido
de nitrógeno (NO), hidrocarburos, cloro, plomo,
partículas en suspensión, entre otros [4].
Los modelos eulerianos son aplicables a esca-
las global, mesoescalar, regional o local. Permi-
ten el procesamiento numérico en paralelo con
gran eficiencia y generan información meteoroló-
gica en lugares exentos de monitoreo directo [5].
Uno de los modelos eulerianos de última gene-
ración es el modelo Weather Research and Fore-
casting (WRF) de código libre, que se utiliza para
pronóstico e investigación meteorológica. Es un
modelo numérico de mesoescala no hidrostáti-
co de previsión del tiempo y de contaminantes
atmosféricos, creado como un sistema opera-
cional flexible y eficiente computacionalmente y
ofrece una avanzada descripción física, química
y numérica de la atmósfera [6], [7]. Incluye va-
rios núcleos dinámicos para la resolución de las
ecuaciones empleadas en la simulación, paque-
tes de física, programas de inicialización como el
WRF-Var para la asimilación de datos y el WRF/
Chem para la simulación de la química de los
contaminantes [8].
Para visualizar la información generada por
los modelos se emplean herramientas de in-
terpolación espacial, que son de utilidad para
diversos casos de estudio como por ejemplo el
análisis de contaminación acústica [9], contami-
nación atmosférica, entre otros. Un software de
gran utilidad para desarrollar esta actividad es
el Sistema de Información Geográfico ArcGIS que
emplea el método de ponderación de distancias
inversas (IDW, Inverse Distance Weighting [10],
[11], que utiliza combinaciones lineales de los
datos de los puntos conocidos para estimar los
valores de locaciones desconocidas [12].
La correcta implementación de estos mode-
los permite identificar la contribución de cada
una de las fuentes, así como evaluar el impacto
que posee cada uno de los contaminantes sobre
la calidad de aire en la región estudiada [13].
En este trabajo, se reporta un estudio preli-
minar de la aplicación de dos modelos de dis-
persión de los contaminantes atmosféricos. En
primera instancia se describe la configuración de
los modelos; luego se detalla la modelación y fi-
nalmente se comparan los resultados obtenidos
entre los modelos con la finalidad de establecer
el más adecuado para zonas topográficamente
complejas como la ciudad de Cuenca.
2. MATERIALES Y MÉTODOS
2. 1 Sitio de estudio
Para la zona de estudio se consideró la ciudad
de Cuenca ubicada en un valle interandino de la
sierra sur ecuatoriana, a una altitud promedio de
2550 metros sobre el nivel del mar. Las coorde-
nadas geográficas centrales de la ciudad son 2º
53’50.79”S y 79º 0’15.82”W. La superficie del
área urbana de la ciudad es de aproximadamen-
te 72km2
.Topográficamente se pueden distinguir
tres terrazas, la primera con alturas que van des-
de los 2560 hasta los 2620msnm, llamada Loma
del Cullca; la terraza central donde se emplaza el
centro histórico de la ciudad con curvas de nivel
entre 2560 y 2520msnm y la tercera terraza con-
siderada la parte baja, es una planicie que se ele-
va unos pocos metros sobre los cauces de los ríos
y está rodeada por un cordón de colinas bajas y
quebradas, las curvas de nivel están por el orden
de los 2520 y 2500msnm.
La Fig. 1 muestra de manera detallada la topo-
grafía del sitio de estudio.

190 ITECKNE Vol. 12 Número 2 • ISSN 1692 - 1798 • ISSN Digital 2339 - 3483 • Diciembre 2015 • 188 - 197
Fig. 1. TOPOGRAFÍA DE LA CIUDAD DE CUENCA
Fuente: autores.
2. 2 Modelos
Los modelos de dispersión resuelven la si-
guiente ecuación para estimar la dispersión de los
contaminantes emitidos a la atmósfera:
uc
ut
= -cd$

o-

o$dc-d$ <c'

o '
>( )+Q-S (1)
En donde C es la concentración en kg/m3
,

o es
el vector velocidad del viento en m/s, ∇ es la va-
riación con respecto al espacio (tres dimensiones
independientes), ∂C/∂t es la variación local de
la concentración promedio de un contaminante
respecto al tiempo, −

o ∙∇ C es la advección de
masa por efecto del viento promedio, d$ <c'

o'
>( )
es la divergencia del flujo turbulento del contami-
nante (<> denota promedio y ´ fluctuaciones en
torno al promedio), Q son las fuentes en kg/m3
s, S
los sumideros en kg/m3
s [14].
Para la modelación de la dispersión de los con-
taminantes atmosféricos de la ciudad de Cuenca,
se emplearon dos modelos numéricos, DISPER5.2
y Weather Research and Forecasting with Chemis-
try (WRF/Chem), se empleó también el Sistema
de Información Geográfico ArcGIS 9.3 para el pos-
tprocesamiento y visualizador de los resultados
modelados.
2.2.1 Modelo DISPER 5.2
Para la modelación de la dispersión de los con-
taminantes con el modelo DISPER 5.2 se empleó
un mapa de la ciudad en el cual se georeferencia-
ron los 19 puntos de monitoreo con la ayuda del
software ArcGIS 9.3. A continuación fue necesario
ingresar para cada punto el número de vehículos
por hora que circularon durante la jornada de me-
dición, así como las condiciones meteorológicas
como temperatura, velocidad y dirección del vien-
to. Otra variable importante para la modelación
fue el parámetro de estabilidad atmosférica de
Pasquill (K), que se calculó por medio del ángulo
de insolación para cada punto y hora de monito-
reo. Para esto se empleó el software on-line Sun
EarthTools [15]. Finalmente, con todos los datos
de entrada requeridos se calculó la dispersión de
los contaminantes [4]. En la Fig. 2 se muestra el
diagrama de flujo del modelo DISPER 5.2.
Fig. 2. DIAGRAMA DE FLUJO DEL PROGRAMA DISPER 5.2
Fuente: autores.
2.2.2 Modelo WRF/Chem
Para la obtención de los datos geográficos se
partió de información satelital (NCAR Earth System
Laboratory (NESL), Mesoscale & Microscale Meteo-
rology Division) que cuenta con la información geo-
gráfica a nivel global e incluye datos de topografía,
tipo de suelo, uso de suelo, entre otros [16]. En la
Fig. 3 se muestran los dominios configurados para
la simulación con el modelo WRF/Chem.
Los datos meteorológicos que se emplearon
para la modelación con el programa WRF son da-
tos satelitales de la National Climatic Data Center
(NCDC) y National Oceanic and Atmospheric Admi-
nistration (NOAA). Los datos se reportan cada 6
horas con un pronóstico de hasta 180 horas. Los
archivos Global Forecast System (GFS) descarga-
dos son de tipo GRIB2, en celdas de 0,5º x 0,5º, es
decir, celdas de aproximadamente 55Km x 55Km
[17].

Fig. 3. CONFIGURACIÓN DE LOS DOMINIOS PARA LA SIMULACIÓN CON
EL WRF/CHEM
Fuente: autores.
Con la información geográfica y meteorológi-
ca se procedió al pre-procesamiento de los datos
para la configuración de los dominios y para es-
tablecer los datos meteorológicos en el formato
requerido por el modelo. Para el pronóstico de la
meteorología se inició la simulación desde el día
11 de junio del 2012 a las 06:00 hasta el día 13
de junio del 2012 a las 06:00, es decir, 48 horas
de pronóstico.
Como una segunda etapa se procedió a la mo-
delación de los contaminantes atmosféricos emi-
tidos en la zona urbana de la ciudad de Cuenca
con el modelo WRF/Chem, por lo que se realizó
un monitoreo de gases al aire ambiente en nueve
estaciones ubicadas dentro del área de estudio,
dicho monitoreo se efectuó el día 11 de junio del
2012 desde las 06:00 hasta las 19:00 con un
periodo de medición de una hora en cada esta-
ción. Además del monitoreo de los gases se con-
tabilizó el número de vehículos que circularon
por cada punto para la estimación de las emisio-
nes generadas en las diferentes estaciones. Los
cálculos para la obtención de las emisiones de
las fuentes móviles se basan en las siguientes
ecuaciones determinadas en el estudio realizado
en la Universidad Nacional Autónoma de México
en el 2002 [18]:
Ehkj
= nhij
1- fh( )Fj
+nhij
fh
Fj
'
Dik
(2)
Donde Ehkj
es la emisión en el segmento k de la
vía i a la hora h del vehículo tipo j ∙ nhij
es el número
de vehículos tipo j en la vía i a la hora h ∙ fh
es la
fracción de vehículos en frío que circula a la hora
h ∙ Fj ,
Fj
′
son los factores de emisión de vehículos
tipo j en caliente y en frío. Dik
es la longitud del
segmento k de la vía i.
La emisión por celda del dominio de trabajo se
calcula de la siguiente manera:
Enh
= R
k=1
mn
R
j=1
k
Ehkj
(3)
Donde Enh
es la emisión en la celda n a la hora
h (kg/km2
.h). Ehkj
es la emisión en el segmento k
de la vía i a la hora h del vehículo tipo j (kg/h). k
es el índice de segmentos en la celda n ∙ mn
. es el
número de segmentos en la celda n ∙ j es el tipo
de vehículo y l es el número de tipo de vehículos.
Como se muestra en 3 se requiere de la fracción
de vehículos en frío que circula a la hora h, es de-
cir, los vehículos que inician su trayectoria en el
punto de monitoreo. Sin embargo, para el estudio,
se consideró la fracción de vehículos en frío como
cero y se empleó únicamente el factor de emisión
para vehículos en caliente.
Por otra parte, para la obtención de los factores
de emisión de los vehículos tanto livianos como pe-
sados, es necesario conocer la velocidad de circula-
ción de los mismos en km/h. En la tabla I se mues-
tran las velocidades promedios de los vehículos en
las diferentes estaciones monitoreadas (valores su-
puestos) y sus respectivos factores de emisión para
los contaminantes CO y óxidos de nitrógeno (NOx
).
Estos factores se tomaron como referencia del estu-
dio realizado en la Universidad Nacional Autónoma
de México [18]:
Con todas estas variables se aplicaron (2) y (3)
para el cálculo de las emisiones de los contaminan-
tes CO y NOx
generadas por las fuentes móviles en
los diferentes puntos de análisis. Además, con las
emisiones obtenidas para el contaminante NOx
se
procedió a realizar la respectiva especiación quími-
ca para establecer el porcentaje de emisiones co-
rrespondientes al dióxido de nitrógeno (NO2
) y al NO.
Para la especiación química se consideró que del
total de las emisiones de NOx
el 90% de estas co-
rresponden al contaminante monóxido de nitrógeno
(NO) y el 10% al dióxido de nitrógeno (NO2
) [19].

En la tabla II se muestran las emisiones esti-
madas en mol/km2
.h para los contaminantes CO,
NO y NO2
, en las diferentes estaciones de moni-
toreo para la fecha y hora en la que se realizó el
estudio.
Con los datos de emisiones listos, se proce-
dió a generar el archivo netCDF necesario para el
modelo WRF/Chem, para ello se empleó un soft-
ware para modelación fotoquímica en el cual se
ingresaron las variables requeridas por el modelo.
Una vez generado el archivo de emisiones, se in-
gresó en el modelo WRF/Chem para su ejecución.
El diagrama de flujo para la ejecución del modelo
WRF/Chem se muestra en la Fig. 4.
TABLA I
FACTORES DE EMISIÓN PARA LOS CONTAMINANTES CO Y NOx
Estación
Número de vehículos
livianos
Número de vehículos
pesados
Velocidad
(Km/h)
Factor de emisión vehículos
livianos (Kg/Km)
Factor de emisión vehículos
pesados (Kg/Km)
CO NOx
CO NOx
BALZAY 895 133 40 50 2,5 10 17,5
TEC 887 60 20 80 1,5 20 22,5
BAS 1507 113 50 45 2,9 7 16
BCB 753 58 20 80 1,5 20 22,5
VEG 364 53 30 60 2 15 19
HDM 81 21 40 50 2,5 10 17,5
CAI 481 69 40 50 2,5 10 17,5
UPS 734 106 30 60 2 15 19
CRB 448 50 50 45 2,9 7 16
TABLA II
EMISIONES ESTIMADAS DE CO, NO Y NO2
PARA EL 11 DE JUNIO DEL 2012
Estación Hora (hh:mm) Emisiones CO (mol/km2
h) Emisiones NO (mol/km2
h) Emisiones NO2
(mol/km2
h)
BALZAY 06:38 – 07:38 3176228,571 171803,775 19153,152
TEC 08:02 – 09:02 1907085,714 38679,615 4312,109
BAS 09:18 – 10:18 1494630,714 73490,879 8192,963
BCB 10:45 – 11:45 1929714,286 41776,020 4657,304
VEG 12:51 – 13:51 711385,714 29772,600 3319,130
HDM 14:14 – 15:14 152142,857 11115,000 1239,130
CAI 15:26 – 16:26 477128,571 25377,300 2829,130
UPS 16:38 – 17:38 1727421,429 71972,940 8023,739
CRB 18:06 – 19:06 380900,000 21285,888 2373,009

Fig. 4. DIAGRAMA DE FLUJO DEL SISTEMA DE MODELACIÓN WRF/CHEM
Fuente: Peckham et al. [20].
de carbono para el día 11 de junio del 2012. Al
realizar la modelación del contaminante CO en
los diferentes puntos de monitoreo, se presentó
una mayor concentración en el centro de la ciu-
dad, proveniente del punto ubicado en la Estación
de Servicio de la Av. Solano con una dirección del
viento hacia el Nornordeste.
Fig. 5. MODELACIÓN CON EL MODELO DISPER 5.2 PARA EL MONÓXIDO
DE CARBONO (CO)
Fuente: autores.
Modelo WRF/Chem
Pronóstico de la meteorología
En la Fig. 6 se indican los pronósticos de tem-
peratura obtenidos con el WRF para el dominio 1
correspondiente a Ecuador, en donde se aprecia
que la zona costera y oriental del país presentan
las temperaturas más elevadas, mientras que en
la zona de la Cordillera de los Andes se registran
valores por debajo de los 20ºC.
2.2.3 Sistema de Información Geográfica ArcGIS
9.3
Para el posprocesamiento de los resultados
de la simulación, tanto de la parte meteorológica
como química, se empleó el Sistema de Informa-
ción Geográfico ArcGIS 9.3 para la visualización
de los mapas meteorológicos y de dispersión de
los contaminantes atmosféricos estudiados, em-
pleando para ello la herramienta de análisis espa-
cial IDW que resuelve la siguiente ecuación [21],
[22]:
ˆZ S0( )= R
i=1
n
mi
Z Si( )i =1,…,n (4)
Donde Ẑ (S0
) es el valor estimado en el punto
interpolado S0
; n es el número de observaciones
vecinas usadas para la estimación y λi
es el peso
dado al valor observado Z(Si
) en las cercanías
del valor S0
[23]. Los pesos (λ) de los valores son
determinados con el fin de asegurar que el error
promedio para el modelo sea cero y además la va-
rianza del error es minimizada [22], lo cual entre-
ga una predicción no sesgada [11].
3. RESULTADOS Y DISCUSIÓN
Modelo DISPER 5.2
En la Fig. 5, se muestra la modelación obte-
nida con el modelo DISPER5.2 para el monóxido

Fig. 6. PRONÓSTICO DE TEMPERATURA PARA EL ECUADOR
OBTENIDOS CON EL MODELO WRF; A) 07:00 DEL 11/06/2012; B) 05:00
DEL 12/06/2012
Fuente: autores.
Fig. 7. PRONÓSTICO DE TEMPERATURA PARA CUENCA OBTENIDOS
CON EL MODELO WRF; A) 23:00 DEL 11/06/2012; B) 05:00 DEL
13/06/2012
Fuente: autores.
Las mayores temperaturas obtenidas en la
ciudad de Cuenca (dominio 3) se concentran en
la parte central del dominio. Se observa también
que en la parte superior izquierda de la malla se
dan las temperaturas más bajas, dado que en
esta zona se encuentra ubicado el Parque Nacio-
nal El Cajas (Fig. 7).
Modelación de la dispersión de los contaminantes
atmosféricos
En las figs. 8 a 10 se presentan algunos de los
mapas obtenidos de la modelación con el WRF/
Chem realizada para el día 11 de junio de 2012.
Como se puede observar en la Fig. 8 las mayo-
res concentraciones de monóxido de carbono se
registran en horarios de 09:00 - 10:00 y de 12:00
- 13:00 con valores superiores a 33000µg/m3
,
pudiendo deberse al elevado flujo vehicular regis-
trado en estos periodos. Se observa también que
la dispersión del contaminante durante el día se
dirige hacia el Suroeste de la ciudad a causa de
los vientos predominantes.
En la Fig. 9 se muestran los resultados obteni-
dos de la modelación del contaminante dióxido de
nitrógeno. Como se puede observar las mayores
concentraciones se dan en el horario de 09:00 a
10:00, con valores máximos de 1668.95µg/m3
.
Además, se puede apreciar que la dispersión del
NO2
a lo largo del día se dirige hacia el Suroeste
de la ciudad, pudiendo deberse a la dirección de
los vientos. Las menores concentraciones obteni-
das en la simulación pueden atribuirse a transfor-
maciones químicas del contaminante por acción
de la radiación solar.
Con respecto a la simulación obtenida para el
Ozono (O3
), en la Fig.10 se observa que las mayo-
res concentraciones se registran en las periferias
de la ciudad, con valores superiores a los 90µg/
m3
, mientras que las mínimas se dan dentro de
la zona urbana de Cuenca. El Ozono es un conta-
minante secundario que se forma por reacciones
fotoquímicas de contaminantes primarios como el
NOx (NO2
, NO), por lo que resulta lógica la modela-
ción obtenida dado que para el contaminante NO2
se obtuvieron concentraciones mínimas en las pe-
riferias; es decir, que una vez emitido a la atmós-
fera, parte de este contaminante se transforma en
ozono por acción de la radiación solar.
De acuerdo con los resultados obtenidos con
los diferentes programas computacionales utiliza-

dos en este estudio, se encontraron algunas limi-
taciones que se detallan a continuación:
La dispersión obtenida con el modelo DIS-
PER5.2 no permite visualizar correctamente la
escala de colores, así como los valores de con-
centración representados en la parte inferior iz-
quierda del mapa. La ventana de trabajo del mo-
delo no permite emplear mapas de gran escala,
ya que no existe la opción de desplazarse a través
de toda la imagen, por lo que el área de estudio
es incompleta y no se obtiene una buena resolu-
ción. El modelo DISPER5.2 realiza la modelación
de manera puntual, es decir, que al ingresar los
datos de entrada no los relaciona para generar la
dispersión del contaminante.
Para este estudio en particular se presentó una
limitante en el modelo WRF/Chem al no disponer
de suficiente información para alimentar al mismo,
por lo que no se obtuvieron los resultados espera-
dos de pronóstico para la contaminación atmosfé-
rica. Sin embargo, se escogió este modelo por ser
el que menos limitaciones presenta y es uno de
los más recientes modelos numéricos que simu-
lan al mismo tiempo la meteorología y los procesos
de transporte químico de los contaminantes en la
atmósfera; lo que le proporciona una ventaja con-
ceptual y pragmática con relación a otros enfoques
que tratan con modelos separados tanto para la
meteorología como el transporte químico.
Validación del Modelo WRF/CHEM
Para la validación se realizaron mediciones en
9 puntos de la ciudad de Cuenca con un equipo de
mediciones de gases como monóxido de carbono,
dióxido de nitrógeno, monóxido de nitrógeno marca
TESTO. Los resultados se muestran en la Fig. 11.
Al aplicar el análisis estadístico mediante el
software SPSS y GraphPadPrism 5 por medio del
uso del estadígrafo de Mann-Whitney se obtu-
vo para el contaminante CO un valor de P>0.05
(0.8633), lo que significa que no existe una di-
ferencia significativa entre los datos reales y los
datos modelados, por lo tanto la modelación con
el programa WRF/Chem es buena. Sin embargo,
para el contaminante NO2
el valor de P es menor a
0.05 (0.04) que implica una diferencia significati-
va entre los datos, es decir, la relación entre estos
es débil, lo cual puede ser debido a las reacciones
químicas de los contaminantes en la atmósfera
que no son consideradas por el equipo al momen-
Fig. 8. DISPERSIÓN DEL CO EN ΜG/M3, OBTENIDOS CON EL WRF/CHEM;
A) 09:00 - 10:00; B) 12:00 - 13:00
Fuente: autores.
Fig. 9. DISPERSIÓN DEL NO2
EN ΜG/M3
, OBTENIDOS CON EL WRF/CHEM;
A) 09:00 – 10:00; B) 14:00 – 15:00
Fuente: autores.

to del monitoreo, mientras que, para la simulación
con el WRF/Chem se integran todos estos aspec-
tos junto con las condiciones de meteorología
para el respectivo pronóstico.
4. CONCLUSIONES
El software Canarina tiene una serie de limi-
tantes por lo cual no pudo ser utilizado para esta
investigación, es como un software didáctico que
no tiene mucha aplicación en esta.
Se ha seleccionado el modelo WRF/Chem para
realizar la modelación de los contaminantes at-
mosféricos de la ciudad de Cuenca debido a que
presenta la ventaja de integrar la meteorología y
los procesos de transporte químico de los conta-
minantes en la atmósfera; y como un instrumento
para generar y visualizar los mapas resultantes
de la modelación se empleó el Sistema de Infor-
mación Geográfico ArcGIS, ya que es un programa
muy útil para estudios geoestadísticos por la di-
versidad de herramientas del que dispone.
Se debe evaluar con mayor integralidad el
desempeño del modelo WRF/Chemy para afinar
aquellos elementos que pueden estar contribu-
yendo con las mayores incertidumbres en los re-
sultados del modelo.
Para el pronóstico de la parte química se ne-
cesita de mayor información de la contaminación
de la ciudad de Cuenca, la cual permita generar
un historial de emisiones, con datos, horarios de
los diferentes contaminantes para alimentarlos al
modelo WRF/Chem.
Se debe estudiar más a profundidad las he-
rramientas disponibles en el modelo para la par-
te meteorológica y así poder emplear como datos
de entrada las condiciones meteorológicas locales
y conocer el grado de aproximación con los datos
satelitales que se utilizaron en el presente estudio.
REFERENCIAS
[1] USEPA, “Technology transfer network. Support center
for regulatory atmospheric modeling. Air quality mo-
dels”, United States Environmental Protection Agency,
12, Dic., 2011. [Online]. Disponible: http://www.epa.
gov/ttn/scram/aqmindex.htm.
[2] C. Bustos, “Aplicación de modelos de dispersión at-
mosférica en la evaluación de impacto ambiental:
Análisis del proceso”, (Tesis de Maestría, UCH), San-
tiago de Chile, Chile, 2004.
Fig. 10. DISPERSIÓN DE O3 EN ΜG/M3, OBTENIDOS CON EL WRF/CHEM;
A) 09:00 - 10:00; B) 12:00 - 13:00
Fuente:autores.
Fig. 11. VALIDACIÓN DEL MODELO WRF/CHEM; A) MONÓXIDO
DE CARBONO; B) DIÓXIDO DE NITRÓGENO
Fuente: autores.

[3] A. Misra, M. Roorda, H. Maclean, “An integrated mo-
delling approach to estimate urban traffic emissions”,
Atmos. Environ., vol. 73, pp. 81-91, Jul. 2013.
[4] Canarina Algoritmos Numéricos, “Aplicación informáti-
ca para la simulación por ordenador de la contamina-
ción atmosférica”, España, 2001, pp. 26-27.
[5] R. Parra, “Evaluación preliminar de la temperatura
media en superficie del Ecuador para el año 2010,
obtenida mediante el modelo Weather Research Fo-
recasting (WRF)”, Avances, vol. 4, no 2, pp. C27-C35,
Dic. 2012.
[6] M. Ritter, M. Müller, T. Ming-Yi, E. Parlow, “Air pollution
modeling over very complex terrain: An evaluation of
WRF-Chem over Switzerland for two 1-year periods”,
Atmos. Res., pp. 132-133, 209–222, Oct.-Nov. 2013.
[7] J. Rivera, O. Sánchez, E. Concepción, “Metodología
para el diseño de una red de monitoreo para la calidad
del aire. Aplicación para la ciudad de Piura”, RPGA,
vol. 3, pp. 95-103, 2011.
[8] W. Wang, C. Bruyère, M. Duda, J. Dudhia, D. Gill, H-C.
Lin, J. Michalakes, S. Rizvi, X. Zhang, “Advanced Re-
search WRF (ARW)” Version 3 Modeling User´s, Guide,
Mesoscale & Microscale, Meteorology Division, Natio-
nal Center for Atmospheric Research (NCAR)”, USA,
2011, pp. 8-1, 8-4.
[9] V. Vázquez, A. Astudillo, C. Espinoza, “Elaboración de
un mapa acústico empleando un Sistema de Informa-
ción Geográfica para la zona urbana de Cuenca”, CI-
YTA, vol. 1, pp. 1-9, Ene. 2011.
[10] K. Johnston, J. VerHoef, K. Krivoruchko, N. Lucas,
Using ArcGis Geostatistical Analyst.ESRI, USA, 2001.
[11] M. Villatoro, C. Henríquez, F. Sancho, “Comparación de
los interpoladores IDW y Kriging en la variación espa-
cial de PH, CA, CICE y P del Suelo”, Agronomía Costa-
rricense, vol. 32, no 1, pp. 95-105, Mar. 2008.
[12] E. Roberts, R. Sheley, R. Lawrence, “Using sampling
and Inverse Distance Weighted Modeling for mapping
invasive plants”, West N Am Naturalist, vol. 64, no 3,
pp. 312-323, Ago. 2004.
[13] R. Fernández, D. Allende, F. Castro, P. Cremades, E.
Puliafito, “Modelado regional de la calidad de aire
utilizando el Modelo WRF/Chem: Implementación de
datos globales y locales para Mendoza”. AVERMA, vol.
14, pp. 01.43-01.50, 2010.
[14] [14] L. Gallardo, “Modelos de dispersión de contami-
nantes atmosféricos”, CONAMA, Santiago de Chile,
Chile, 1997.
[15] SunEarthTools.com, “Outilspour les consommateurs
et les concepteurs de l’énergiesolaire”, 23-Jul-2012.
[Online]. Disponible: http://www.sunearthtools.com.
[16] NCAR Earth System Laboratory (NESL), Mesoscale &
Microscale Meteorology Division, “Base de datos geo-
gráficos para modelación”, National Center for Atmos-
pheric Research, 15 Jun. 2011. [Online]. Disponible:
http://www.mmm.ucar.edu/.
[17] NCDC, NOAA, “Base de datos meteorológicos de
pronóstico”, National Climatic Data Center, National
Oceanic and Atmospheric Administration, 11 Ene.
2012. [Online]. Disponible: http://www.ncdc.noaa.
gov/oa/ncdc.html.
[18] R. García, “Evaluación de escenarios utilizando el Mo-
delo Regional de Calidad del Aire Multiscale Climate
Chemistry Model”, (Tesis de Doctorado), Centro de
Ciencias de la Atmósfera, UNAM, México, 2002.
[19] Radian International, “Manuales del Programa de In-
ventarios de Emisiones de México”, Sacramento, CA,
2000.
[20] S. Peckham, G. Grell, S. McKeen, J. Fast, W. Gustafson,
S. Ghan, R. Zaveri, R. Easter, J. Barnard, E. Chapman, C.
Wiedinmyer, R. Schmitz, M. Salzmann, S. Freitas, WRF/
Chem Version 3.3 User’s Guide, USA, 2011, pp. 6.
[21] C. Gotway, R. Ferguson, G. Hergert, T. Peterson, “Com-
parison of kriging and inverse distance methods for
mapping soil parameters”. SOIL SCI SOC AM J, vol. 60,
pp. 1237-1247, Jul. 1996.
[22] C. Schloeder, N. Zimmerman, M. Jacobs, “Comparison
of methods for interpolating soil properties using lim-
ited data”, SOIL SCI SOC AM J, vol. 65, pp. 470-479,
Mar. 2001.
[23] Z. Lozano, C. Bravo, F. Ovalles, R. Hernández, B. Mo-
reno, L. Piñango, J. Villanueva, “Selección de un dise-
ño de muestreo en parcelas experimentales a partir
del estudio de la variabilidad espacial de los suelos”,
BIOAGRO, vol. 16, no 1, pp. 1-17, Ene. 2004.

V12n2a10

Más contenido relacionado

La actualidad más candente (19)

Similar a V12n2a10 (20)

Último (20)

V12n2a10