Investigacin

Metodologa para la localizacin de estaciones de

monitoreo de material partculado a escala local
(0.5 a 4.0 Km) en la ciudad de Santa Marta
Recibidoparaevaluacin:22deMayode2005
Aceptacin:22deMayode2006
Recibidoversinfinal:31deJuliode2006

FranciscoFernandoGarcaR.1
RubnAlbertoAgudeloG. 2
KarenMargaritaJimnezJ.3

RESUMEN
Con el objetivo de determinar los puntos ms representativos donde se pueda medir en
forma confiable la variacin de la concentracin de partculas suspendidas totales (PST) en la
ciudad de Santa Marta, se adelant un estudio que involucr mediciones de campo y el uso de
modelosdeemisinydispersindela concentracin de PST en elrea urbana de dichaciudad.
Utilizando el mtodo de la esfera de influencia, se determinaron las reas ms representativas
queexplican lavariacin delacalidaddel aireconrespectoalaconcentracindePST.Tantolos
datoscolectadosencampocomolassimulacionesefectuadasmuestrancuatrozonasperfectamente
diferencialesdondelasconcentracionesdePSTdeunaestacindadasonrepresentativosopueden
serextrapolados,conunnivelde confianza conocido.Para entenderymonitorearlavariacin de
la calidad del aire debe ubicarse una estacin de monitoreo en cada rea. Esta metodologa
adems de ser simple en su aplicacin produce resultados confiables que disminuyen la
incertidumbre enla localizacin de estaciones de monitoreo dela calidad del aire.
PALABRAS CLAVE:

Calidad delAire, MonitoreoAmbiental, Registro de Emisiones.

ABSTRACT
In order to determine the most representative locations for measuring reliably varying
concentrations of Total Suspended Particulates (TSP) in Santa Marta city, a field study was
conducted.Emission anddispersion modelswereused in the urban area aswell.
Using the Sphere of Influence method, the most representative areas in terms of TSP
variation with relation to air quality were determined.The information collected inthe field as well
as the simulations do show clearly four different zones, where theTSP concentrations at a given
stationarerepresentative,orcanbeextrapolatedwithaknownconfidencelevel.Inordertomeasure
andunderstandthe variationinair quality,amonitoringstationmustbelocatedineacharea.This
methodologyissimple,producesreliableresultsthatreducetheuncertaintyconcerningthelocation
of air quality monitoring stations.
KEYWORDS:

Air Quality, Environmental Monitoring, Emission Register

1.M.Sc.Ing.Ambiental,Profesor
UniversidaddelMagdalena,Grupo
de Control de la Contaminacin
Ambiental
francisco.garcia@une.net.co
2. M. Sc. Ing. Ambiental, M.Sc
Planeacin UrbanoRegional,
ProfesorUniversidaddeAntioquia,
Grupo de Ingeniera y Gestin
Ambiental
3.Est.Ing.AmbientalUniversidad
delMagdalena,GrupodeControl
delaContaminacinAmbiental

Volumen9No.2Agostode2006

Gestin y
Ambiente

121

Investigacin

1.INTRODUCCIN
Elmonitoreoatmosfricoeselconjuntodemetodologasdiseadasparamuestrear,analizar
yprocesarenformacontinualasconcentracionesdesustanciasodecontaminantespresentesen
elaireenunlugar establecidoyduranteuntiempodeterminado.Suimportancia radicaenquees
necesario para: a) formular los estndares de calidad de aire. b) llevar a cabo estudios
epidemiolgicos que relacionen los efectos de las concentraciones de los contaminantes con los
daosenlasalud.c)especificartiposyfuentesemisoras.d)llevaracaboestrategiasdecontroly
polticasdedesarrolloacordesconlosecosistemaslocalesye)desarrollarprogramasracionales
para el manejo de la calidad del aire (Martnez y Romieu, 1997). Uno de los aspectos ms
importantes enla ejecucinde un programa demonitoreo atmosfrico esel diseode la red de
monitoreoquecomprende el conjuntodeestaciones demuestreo generalmentefijas y continuas
que se establecen para medir los parmetros ambientales de forma que cubran en forma
representativa toda la extensin de un rea determinada. En estas estaciones de muestreo se
midenycomparanregularmenteconcentracioneslocalesdeparmetrosambientalesconestndares
decalidaddelaire (Martnez yRomieu, 1997).
El diseo de redes de monitoreo ambiental ha sido estudiado en hidrologa (Andricevic,
1990KassimyKottegoda,1991WoldtyBogardi,1992Meyeretal..1994),meteorologa,(Gandia,
1970) y ciencias geolgicas (CamisaniCalzolari, 1984 De Marsily et al,. 1984 Russo, 1984).
Muy pocas de estas investigaciones han sido adaptadas a la calidad del aire. Algunos de los
trabajos ms recientes, realizados para el diseo de redes de monitoreo, se enfocan en
observaciones meteorolgicas (Gandia, 1970). Munn (1981) define dos mtodos bsicos para el
diseoderedesdemonitoreo,losmtodosestadsticosylosmtodosdemodelacin.Losmtodos
estadsticos asumen que existe datos disponibles para extractar informacin estadsticamente
significativa parael diseode lared monitoreo(EPA, 1997).
Lasaproximacionesestadsticasbasadasenladistribucinlognormalsonseguidasporla
mayoradedatosdecalidaddelaire (Larsen,1969Noll yMillar,197).Losmtodos estadsticos
tienenlaventajaquelamayorademedicionesdecalidaddelairepuedensercorrelacionadasen
eltiempoyelespacioconotrasredesdemonitoreo.Lalocalizacindelasestacionesdemuestreo
puedeseroptimizadamediantelaevaluacindelacorrelacindeseriesdetiemposdemediciones
enperodoslargosocorrelacionesespacialesentremedidasdemuchasestaciones(Munn,1975
Elsom, 1978 Handscombe y Elsom, 1982). Munn (1981) identific cuatro tipo de anlisis de
correlaciones: 1) correlacin de tiempo (autocorrelacin) en un sitio 2) correlacin cruzada de
algunas concentraciones de contaminantes en un sitio 3) correlacin espacial entre medidas
simultneas en diferentes sitios y 4) correlacin espacial entre diferentes sitios con mediciones
entiempos rezagados.
Las tcnicas estadsticas de localizacin de estaciones de monitoreo ms usadas son la
aleatoria,lademuestreossistemticos,lademuestreosestimadosylademuestreosheterogneos.
Enlatcnicaaleatoriaselocalizanlasestacionesdemonitoreosintenerencuentalasfuentesde
contaminantes (Nesbitt y Carter, 1996). Esta se realiza especificando una frontera de dominio
rectangulargenerandodosejesdecoordenadasXyY,paraunadistribucinaleatorianouniforme.
Borgman et al, (1996) encontraron que con esta tcnica se requiere un nmero muy alto de
muestreadoresparaunintervalodeconfianzadel95%,porlocualestatcnicasloesaconsejable
para reas urbanas grandes en intervalos de tiempo cortos. La tcnica de muestreo estimado
(Nesbitt y Carter, 1996) usa fuentes de emisin conocidas y la localizacin de los receptores
acopladosconmecanismosdetransportedecontaminantespara localizar los sitiosde medicin.
NollyMiller(1977)llamanaestatcnicamtododefuenteorientaday consideranstecomoel
ms apropiado para monitorear fuentes puntuales en terrenos complejos. En los muestreos
sistemticos los muestreadores son localizados en un sistemas de cuadrculas asignando un
muestreadoracadacelda.NollyMiller(1977)llaman aestetipodemuestreomtodode rea,
el cual se considera ms aplicable a terrenos planos con pocas fuentes puntuales. Los
muestreadoressonlocalizadosenloscentrosdelasceldas.NesbittyCarter(1996)combinanlos
muestreosestimadosysistemticosmediantelaaplicacindelossiguientespasos:1)identificacin
delasfuentespotencialesdecontaminacinusandomedicionesanterioresomodelos2)trazado
de un sistema de cuadrcula sobre estas reas 3) ejecucin de una serie de muestreos en los
puntosdelsistemadecoordenadasy4)determinacindelospuntosenloscualesseencontraron

122

Gestin y
Ambiente

Volumen9No.2Agostode2006

Investigacin

concentracionesimportantesdecontaminantespara,alfinal,usarestoscomopuntosdemuestreos
sistemticos.
Otros mtodos hbridos para la localizacin de estaciones de muestreo de material
partculado se basan en la geoestadstica (Journel, 1980 Russo, 1984 Kassim and Kottegoda,
1991 TrujilloVentura, 1991 Rouhani et al, 1992 Borgman et al,. 1996). Kriging es el mtodo
ms comnmente usado en la interpolacin para predecir valores en la evaluacin de datos
espaciales (Volpi andGambolati, 1978 Lefohn et al, 1987 Venkatram, 1988). Kriging usa la
estructuradecorrelacin paraproducir unestimadorcon elerrorcuadrticomediomspequeo
posible,locualresultaenunadisminucindeltamaodelamuestracomparadoconotrosmtodos.
Otras herramientas estadsticas para disear redes de calidad del aire incluyen los coeficientes
geogrficos de variacin (Stalker and Dickerson, 1962 Stalker et al, 1962) funciones estructura
(Goldsteinetal,1974GoldsteinandLandovitz,1977)anlisisdegrupo(Sabaton,1976)anlisis
de componentes principales (Peterson, 1970 Sabaton, 1976) el principio variacional (Wilkins,
1971) y laprogramacin lineal (Darby et al,1974 Hougland, 1977).
Elotrogrupodetcnicasimportantesusadasparalalocalizacindeestacionesdemonitoreo
es la utilizacin de modelos analticos o numricos para estimar la concentracin de material
partculadoenelespacioyeltiempo.Usualmenteserequiereninventariosdeemisionesdetallados
o semidetallados en el dominio completo cuando se usan estos modelos. Los ltimos esfuerzos
en la utilizacin de modelos en la ubicacin de estaciones de monitoreo involucran el uso de
sistemas de informacin geogrfica. Los modelos numricos de fuentes se pueden agrupar en
cinemticos,deprimerysegundoorden(BowneandLundergan,1983).Losmodeloscinemticos
son una simple mezcla de modelos matemticos y conceptuales. Estos modelos simplifican
ecuaciones no lineales del movimiento turbulento generando aproximaciones analticas que
describenelcomportamientodeloscontaminantesenelaire(Greenetal,1980).Losmodelosde
primerordenasumenconcentracionesdecontaminantesisotrpicos.Enestacategora,seincluyen
modelos lagrangianos, eulerianos y de trayectoria de pluma. Los modelos de segundo orden
contienenunaseriedealgoritmosdetransformacindelaecuacindeestado,conservacindela
masa, momento y energa utilizando la aproximacin de Boussinesque y la teora de Reynold
(Holton, 1992)
Entremarzode2004yjuliode2005,elGrupodeInvestigacinControldelaContaminacin
Ambientalde laUniversidaddelMagdalenaencolaboracinconelGrupo deIngeniera yGestin
Ambiental de la Universidad deAntioquia, desarroll una investigacin dirigida a determinar los
nivelesdeconcentracindematerialpartculadoenlaciudaddeSantaMarta.Unadelasprimeras
actividades ejecutadas en esta investigacin fue el estudio de localizacin de las estaciones de
monitoreo, para lo cual se propuso una metodologa que combina mediciones preliminares de
campo,lautilizacindemodelosdedispersindecontaminantesyherramientas estadsticas. En
esteartculosepresentalametodologaseguidaparalaseleccindelossitiosdemuestreodela
mencionada investigacin.

2.MATERIALESYMETODOS
2.1.readeestudio
Laciudadde SantaMartabordeaelsectororiental de labahaquellevasu nombreen la
CostaAtlnticaColombiana.Estsituadaentrelos1114'50'deLatitudNorteylos 7412'06'
deLongitud Occidental, a unaalturapromedio de6 msnm.(ver Figura1).

2.2. Equipos
En esta investigacinse usaron muestreadores deAltos Volmenes(HiVol), que constan
de una bomba de vaco, marco de sujecin del filtro, empaques, un adaptador del marco, un
registradordelflujo(oundispositivodemedicindelflujoengeneral)yuncontroladordetiempo.
Todoestose encuentracubiertoconunacorazadeproteccincomose muestraenlaFigura 2.

Volumen9No.2Agostode2006

Gestin y
Ambiente

123

Investigacin

Figura1.
Localizacindelreadeestudio

Figura2.
Muestreadordealtovolumen
(HiVol)

2.3.Mtododemuestreo
ElmtododemuestreoseguidocorrespondealestndarEPA40CFRPt.50App.Bdonde
sehacepasarunacantidadmedidade aireatravsde un filtrode fibradevidriodurante241
horas,perodonominal de muestreo,aunavelocidadrelativamentealta (caudalde1.1a 1.7 m3/

124

Gestin y
Ambiente

Volumen9No.2Agostode2006

Investigacin

min).Elcaudaldelequipodemuestreoylageometradelprotectorocubiertafavorecenlacoleccin
departculas,avelocidadesdelaireentre 1.3y4.5m/seg(3a10mph),condimetrosmximos
entre25y50m(dimetroaerodinmico),dependiendodeladireccindel viento.Losfiltrosson
especificadosparatenerunaeficienciadecoleccinmnimadel99%parapartculasde0.3m.
El filtro es pesado (despus de equilibrar la humedad por desecacin) antes y despus de la
coleccindematerialpartculado,cuyamasaseobtienepordiferencia.Elvolumendeairerecogido
esdeterminadoatravsde lamedicindelcaudalyeltiempode tomademuestra,corrigindolo
paralascondicionesestndarde25Cy101.3kPa.
Elintervalode aplicacindelmtodoesde2a750g/m3 normal. Ellmite superiorest
determinado por el puntoal cualel equipode muestreo no puedemantener elcaudal especfico
debido al aumento de la cada de presin del filtro cargado. El lmite inferior est dado por la
sensibilidad de la balanza.

2.4. Prelocalizacin de estaciones

ElreaurbanadeSantaMartafuedivididaen16celdasde1x1Kmtomandocomocentro
el punto de coordenadas (987082 UTME, 1734524 UTMN). El centro de cada celda sirvi de
referencia para la prelocalizacin de las estaciones de monitoreo, en ellos se tomaron muestras
de PSTpara posteriormenteser comparadascon los resultados de lasimulacin con ISCST. Su
representatividadparamedirlasconcentracionesdePSTenelreadeestudiosemidimediante
mtodosestadsticosparafinalmenteseleccionarlasestacionesdemonitoreoausarenelestudio
delacalidaddelaireenelreaurbanadeSantaMarta.Teniendoencuentalarestriccinexistente
enelnmerodeequiposdisponibles,seoptporcodificarloscuadrantescomosemuestraenla
Figura 3. Se estableci un orden de toma de muestras dado por la letra correspondiente en la
primerajornadademuestreosetomaronmuestrasdePSTenloslugaresmarcadosconlaletraA,
posteriormentelosdelaletraB, luegolos sitios en Cyfinalmenteen D.

Figura3.
Codificacin de sitios en la
prelocalizacin de estaciones de
monitoreo.

Volumen9No.2Agostode2006

Gestin y
Ambiente

125

Investigacin

2.5. Tcnicadiseo de estudiode saturacin

Estatcnicacuantitativa determinaelnmeroptimoylalocalizacindelasestacionesde
monitoreo de calidad del aire. Su protocolo requiere la aplicacin de modelos de dispersin y
anlisis estadstico dela variacin delaconcentracin decontaminantes esperada enel rea de
estudio(Baldauf,2002).Losaspectostericos,eldesarrollomatemticodelatcnicadeanlisis
ascomosuaplicacinpuedenrevisarseenlostrabajosdeLiuetal(1986)yBaldaufetal(2002).
La tcnica propuesta por Liu et al (1986) consiste en la estimacin de la concentracin del
contamnatede inters mediante eluso demodelos dedispersin ymediciones decampo, para
posteriormentedeterminarlalocalizacindelasestacionesdemonitoreobasndoseenlavariacin
espacial de la concentracin del contaminante.

2.6. Estimacin de la concentracin de contaminantes

Paraestudiarlavariacin delos contaminantesenlaescalalocalseempleel modelode
dispersin ISCST3, el cual fue calibrado y validado previamente a las condiciones locales. En la
modelacin se utiliz un sistema de coordenadas rectangulares dividiendo el rea de estudio en
cuadrculasde100por100metros,representativasdeunaescalamedia.Sinembargo,losvalores
querevistenespecialimportanciaparaelestudiocorrespondenalosreceptores quecoincidenen
suscoordenadas con la mallaestablecida paraelmuestreo decampoenlossitiosdenominados
deprelocalizacindelasestaciones demuestreo.Los datosmeteorolgicos paralaalimentacin
delmodelofuerontomadosdelaestacin meteorolgica del programadeIngenieraAmbientaly
Sanitariade laUniversidaddelMagdalena.ElISCST3secorrienlaopcinde terrenocomplejo
paralocualsecreelmodelodigitaldeelevacin(MDE)enunreade10km2,enescala1:25000
concotasde terrenocada5m.(verFigura4).

Figura4.
Modelodigitaldeterrenoenel
readeestudioenSantaMarta

126

Gestin y
Ambiente

Volumen9No.2Agostode2006

Investigacin

Elmodelodedispersinayudaproveerinformacinestimadasobrelacalidaddelaireen
elreadeestudio.ElmodeloISCST3esunmodelogausianoquepuedesimularlaconcentracin
de una variedad de fuentes. Para ello fue alimentado con datos meteorolgicos. Se levant
informacin pertinente a la localizacin de las fuentes, se construy una base de datos con la
informacinobtenidaenelinventarioprevio,destacandolatasadeemisin,alturaydimetrosde
chimeneas,velocidady temperaturadesalidaparalas fuentesestacionariasubicadasenelrea
de inters. Las fuentes mviles se modelaron como fuentes de volumen, dividiendo las vas en
segmentos con una relacin 4 a 1 respecto a la longitud y el ancho. La informacin sobre el
promediodetrficovehculardiariofuemedidaensietepuntosenlasprincipalesvasdelreade
estudio. Los factoresdeemisin vehcular fueron obtenidos del protocoloAP42de laEPA.

2.7.Esfera deinfluencia
Paradeterminarlarepresentatividaddelosdatosdecalidaddelairemedidosy/osimulados,
se empleel mtodode esfera de influencia, SOIpor sus siglas en ingls, conel quese puede
determinarelreaenlacuallosdatosdecalidaddelairedeunaestacindadasonrepresentativos
opueden serextrapolados,conunniveldeconfianzaconocido.ParadeterminarelSOI,seutiliz
elmodelodeestructuradecovarianzadelaconcentracin.SecalculelcoeficientedePearson,
r, entre la concentracin de contaminantes en un sitio dado y el correspondiente valor de sus
vecinos. Para un sitio codificado como A y comparado con un receptor localizado en un sitio
codificadocomo Bpara nmediciones,el clculoseobtiene porlaexpresin:
n

r =

(CAi - CA )(CBi - CB )

i
=1

(CAi - CA )2 (CBi - CB )2
i=1

i=1

DondeCAi yCBi representanlaconcentracinestimadaenlossitiosdeprelocalizacinpara

las isima medicin.

CA

CB

representan los promedios de las estimaciones efectuadas

duranteelperododeanlisisencadaunodeestossitiosnesel nmerode estimaciones.

3.Resultados
3.1.Muestreosdecampo
EnlaTabla1semuestranlosresultadosdelosmuestreosdecampodelasmedicionesde
PST en cada una de las prelocalizaciones de las estaciones de monitoreo. Las determinaciones
decampomostraronqueenningunodelossitiosdemedicin,sesobrepasaellmitedelanorma
diariaestablecidoporlanormatividadaplicable(400g/m3)elvalormsaltodelasconcentraciones
encontradasseubicaenlaceldacuyocentrotienecoordenadas(985582UTME,1736023UTMN),
lacualestmuycercanaavariasfuentesdeemisinidentificadaseinventariadas,comoelTerminal
Martimo deSanta Martadonde se almacenay exporta carbnmineral, lo cual presumiblemente
puede estar contribuyendo al aumento de los niveles de PST en este sitio. En esta estacin de
prelocalizacin,lamediageomtricadelosdatosencontradosessuperioralos100g/m3,enlas
restantesestacionesla media geomtricaesinferior aeste valor.
LaFigura5muestralasmediasgeomtricasregistradasdurantelasmedicionesdecampo.
Segn estos datos, los valores ms altos de la concentracin de PST en Santa Marta coinciden
con la presencia de algunas fuentes como el puerto de Santa Marta y las principales vas de la
ciudad,alascualesseatribuyeuna altainfluenciaenlosvalores nivelesdePSTen elreaurbana.

Volumen9No.2Agostode2006

Gestin y
Ambiente

127

Investigacin

Tabla1.
ResultadosmedicionesdePST

C d ig o
A1
B2
A
B
C3
D4
C
D
A
B
A
B
C
D
C
D

Co o r d en ad as
C o n c en tr ac i n d ePST Mx im o
X
Y
( g /m3)
(g /m3)
(UT ME) (UTM N)
985582 1736023 130.33 123.20 101.00 130.33
986592 1736023 104.00 94.12
87.34
104.00
987587 1736023 58.00
66.2
47.30
66.20
988582 1736023 55.33
55.12
58.30
58.30
985582 1735014 64.33
51.12
48.56
64.33
986582 1735014 86.67
78.78
91.12
91.12
987582 1735014 74.00
67.34
76.23
76.23
988582 1735014 61.00
62.10
56.13
62.10
985582 1734020 72.00
83.23
62.34
83.23
986582 1734020 55.67
46.35
56.45
56.45
987582 1734020 73.33
82.10
77.87
82.10
988582 1734020 47.67
56.23
52.11
56.23
985582 1733026 69.00
69.12
71.00
71.00
986582 1733026 51.33
52.34
60.10
60.10
987582 1733026 61.33
67.23
56.67
67.23
988582 1733026 53.67
61.20
66.34
66.34

Med ia
G eo m .
( g /m3)
117.48
94.90
56.63
56.23
54.25
85.37
72.42
59.69
72.02
52.61
77.68
51.88
69.70
54.45
61.59
60.17

1. Losda toscorrespondientesalospuntosdecdigoAser ecolectaronentr eel10yel12defebr erode2004.

2.Datosr ecolectadosentr eel14yel16defebrer odel2004.
3. Da tosr ecolecta dosentreel18yel20defebrerodel2004.
4. Da tosr ecolecta dosentreel22yel24defebrerodel2004.

Conbase enlos resultadosde losmuestreosde camposeestableceARS(AverageRank

fromfielStudy)quedaelordendemayoramenorenelvalordela concentracindePST delos
datos conrespectoalamediageomtrica encontrada.Esteranking sepresentaenlaFigura 6.

Figura5.
Mediasgeomtricasdela
concentracindePST(g/m3)en
SantaMarta.Feb.15al22de2004

El anlisis SOI entrega cuatro grupos de esfera de influencias (ver Figura 7): el primer
grupo est conformado por las estaciones identificadas con los nmeros 1, 4 y 6 en el ranking
establecidoporlosresultadosdelosmuestreosencampo.Enelsegundogrupoestnlasestaciones

128

Gestin y
Ambiente

Volumen9No.2Agostode2006

Investigacin

2y3mientrasqueeltercergrupodeesferadeinfluencialointegranlasestaciones11,12,5y10.
Enel grupofinalestnlas estaciones14, 16, 7, 13, 8y9. De acuerdo a esteanlisis el nmero
ptimo de estacionespara colectar la informacin dela calidad del aire referida alos niveles de
PST en el rea urbanade Santa Marta en la escala de 0.5 a 4Km (Neighborhood scale) es de
cuatro (4).

Figura6.
ARSdelosvaloresdecampo(feb.,
1024de2004)

Figura7.
reasdeinfluenciadelanlisisSOI
conmedicionesdecampo.

Volumen9No.2Agostode2006

Gestin y
Ambiente

129

Investigacin

3.2. Simulacin con ISCLT

ElmodelodedispersinISCST3fuecorridoparaencontrarla concentracindePSTen el
readeestudiocada24horas.Adiferenciadelosmuestreosdecampo,loscualesestnlimitados
porelnmerodeequiposdisponibles pudiendocontarsolocontres(3)datospara cadaestacin
deprelocalizacin,el modelootorga paracada unade estasestaciones 15datos(unoparacada
da), lo cual ofrece un panorama ms amplio para el anlisis SOI. Los datos arrojados por el
modeloconfirmanlapresenciadeconcentracionesaltasenlascercanasalasvasmstransitadas
en la ciudad y en las cercanas delTerminal Martimo. En la Figura 8 se presenta la distribucin
espacial de las medias geomtricas de las concentraciones determinadas por el modelo de
dispersin.Estosdatosmuestranqueenningunadelasestacionessesobrepasaellmitede400
g/m3 establecido por la normatividad para valores mximos diarios.

Figura8.
Distribucinespacialdelamedia
geomtricadelas
concentracionesarrojadasporel
modeloISCST3

ElanlisisSOIparalosdatossimuladosconelmodelodedispersinconfirmalapresencia
decuatro(4)zonas de influencia en laconcentracin dePST (verFigura 9).Laconformacin de
laszonasqueresultandelanlisisdelosdatossimuladosesunpocodiferentealaencontradaen
elanlisisSOIparalosdatosmedidos.Laprimerazona,dondesepresentanlasconcentraciones
msfuertes,estaconformadaporlasestacionesdeprelocalizacin1y4segnelrankingestablecido
conlosdatosmedidos.Lazonanmerodosestconformadaporlaestaciones2,3y6enlazona
tresselocalizanlasestacionesdeprelocalizacin11,12,7,15y5las restantesestacionesestn
en la zona 4. El anlisis SOI para los datos simulados muestra que el nmero de estaciones
necesarias para medir la calidad del aire respecto a las concentraciones de PST en el rea de
estudioesdecuatroestaciones.

130

Gestin y
Ambiente

Volumen9No.2Agostode2006

Investigacin

Figura9.
reasdeinfluenciadelanlisisSOI
para datos simulados con el
ISCST3.

3.3. Localizacin de Estaciones de Monitoreo

ParadefinirlalocalizacinfinaldelasestacionesdemonitoreoseencuentraelARM(Average
Rank from Model Data), el cual establece el ranking de importancia de las concentraciones de
PSTdeterminadasmedianteelmodelodedispersinstefijaelordende importanciafrenteala
magnituddelaconcentracinpromediadageomtricamenteparacadaestacindeprelocalizacin
(ver Figura 10).

Figura10.
ARM de los valores simulados
medianteelmodeloISCST3(feb.,
1024de2004)

Volumen9No.2Agostode2006

Gestin y
Ambiente

131

Investigacin

La localizacin final de las estaciones de muestreo se busca ubicando una estacin en

cada una de las cuatro (4) zonas de influencia, determinadas mediante los datos medidos y
confirmadasasuvezmediante losdatossimulados.Cuando noseencuentraconcordanciaentre
laconformacindelaszonasdeterminadasporunoyotromtodo,serevisaeldatodelacorrelacin
entrelasestacionesdeprelocalizacinasignandoelsitioalazonaquepresentemayorcorrelacin
entre dos datos vecinos. Con esta metodologa se unifican los criterios de composicin para las
zonas.Sebuscaqueencadazonaquedelocalizadaunasolaestacindemonitoreo.Comocriterio
especifico para ubicar las estacionesen laszonas, se construye un nomograma quecompara el
ARSyelARMparacadazonaseespecifica unaestacinlocalizadaenelsitiodeprelocalizacin
quemsseacerquealadiagonaldelagrfica(verFigura11)quecapturalasposiblesvariaciones
delosdatosfrentealascondicionesatmosfricasquesonlosresultadosarrojadosporelmodelo
ylasvariableseinterferenciaspropiasdelosmuestreosencampomedianteelusodeequiposHi
Vol. Cuando en una misma zona ocurren dos sitios con datos muy cercanos a la diagonal de la
figura,sefija laestacinenelsitiodemayorvalorpromedioentrelasmediasgeomtricasdelos
datos medidos y simulados.

Figura11.
Nomogramaparalaubicacinde
lasestacionesdemonitoreo

Segnesteprocedimiento,paramedirlacalidaddelaireenelreaurbanadeSantaMarta
bajounaescalade0,5a4,0Km,seubicancuatro(4)estacionesdemonitoreo,cuyascoordenadas
semuestranenlaTabla 2.

Tabla2.
Localizacinfinalestacionesde
monitoreodelacalidaddelaire
enSantaMartaenlaescala0,5
4,0Km.

132

Zo n a
1
2
3
4

Gestin y
Ambiente

Co o rd en ad as
X(UTME)
985582
986582
987582
986582

Y(UTMN)
1736023
1735014
1735014
1733026

Med i aGeo m tric aPST

3
(g /m )
Med id a
Sim ulad a
117.49
157.00
85.37
75.33
72.42
76.67
54.45
52.00

ARS

ARM

1
3
5
13

1
5
4
12

Volumen9No.2Agostode2006

Investigacin

4. DISCUSIN
La tcnica estudio de saturacin empleada en la localizacin de estaciones de monitoreo
de calidad del aire combina la utilizacin de datos simulados y datos medidos, lo cual reduce la
incertidumbre para la localizacin final las estaciones. En este estudio se utilizaron datos
meteorolgicos horarios, lo cual aumenta el rango de incertidumbre frente a la probabilidad de
ocurrencia de otras condiciones meteorolgicas diferentes a las ocurridas en el perodo de
observacin.Paraestudiosmsdetalladossepodrautilizardatospromediosomediasmultianuales
de datos climatolgicos, que promedien las condiciones atmosfricas durante el ao, lo cual se
harprximamente,conelfindeencontrarladispersinfrentealosdatossimuladosenestosdos
escenarios.Dadoel buenacercamiento obtenidoentre losdatossimulados ylosdatosmedidos,
seconsiderquelautilizacindedatoshorariosproduceunaconfiabilidadaceptableparaencontrar
elARM.
La metodologa para la localizacin de estaciones de monitoreo empleada en esta
investigacin es muy simple de aplicar y aunque requiere algunas inversiones iniciales para la
realizacin de las mediciones de campo, el inventario de emisiones y la calibracin y validacin
delmodelodedispersin,produceresultadosconfiablesquedisminuyenlaincertidumbreenesta
compleja tarea.
La metodologa utilizada es recomendable solo en la escala de 0,5 a 4,0 Km o escalas
inferiores ya que al aumentar la escala del rea de estudio habra que efectuar muchas ms
medicionesotenerunsistemadeceldasmsgruesas,locualaumentaralaincertidumbreenlos
resultados obtenidos.

5.BIBLIOGRAFA
Andricevic, R., 1990. Costeffective network design for groundwater flow monitoring, Stochastic
Hydrol. Hydraul, pp 2741.
Baldauf, R. W., Wiener R.W. y Heist, D.K., 2002. Methodology for siting ambient air monitors at
theneigborhood scale, J.Air yWastedManage,Assoc.,52,pp143342.
Borgman, L.E., Gerow,K.yFlatman, G.T., 1996.Costeffectivesamplingforspatiallydistributed
phenomena,principlesofenvironmentalsampling,2ndEd.,L.H.Keith,Ed.LewisPublishers.
Washington. D. C.
Bowne, N. E., Lundergan, R. J., 1983. Overview, results, and conclusions for the EPRI Plume
modelvalidationanddevelopmentproject:plainssite.EPRIReportNo.EA3074,Project
16161, Final Report. Electric Power Research Institute, PaloAlto, CA.
CamisaniCalzolari,M.,1984.GeostatisticalappraisalofatabularuraniumdepositinSouthAfrica.
Eds. D. Reidel Publishing Co. Washington. D. C.
Darby, W. P., Ossenbruggen, P. J. y Gregory, C.J., 1974. Optimization of urban air monitoring
networks,J. Environ.Eng. Div.Proc.Amer. Soc.Civil Eng., 100,pp 577591.
Elsom, D. M., 1978. Spatial correlation analysis of air pollution data in an urban area,Atmos.
Environ., 12, pp 11031107.
EPA,1997.GuidancefornetworkdesignandoptimumsiteexposureforPM2.5 AndPM10.Office of
AirQualityPlanningandStandardsU.S.EnvironmentalProtectionAgencyResearchTriangle
Park,NC27711.109P.
Gandin, L. S., 1970. The planning of meteorological station networks, WMO No. 265, TP149.
World Meteorological Organization, Geneva.
Goldstein, I. F. y Landovitz, L., 1977.Analysis of air pollution patterns in New Cork City, II. Can
OneAerometricStationRepresenttheAreaSurroundingIt?,Atmos.Environ.,11,pp5357.
Goldstein,I.F.,Landovitz,L.yBlock,G.,1974.AirpollutionpatternsinNewYorkCity,J.AirPollut.
ControlAssoc., 24,pp 148152.

Volumen9No.2Agostode2006

Gestin y
Ambiente

133

Investigacin

Green,A. S., Singhai, R. P. y Venkateswar, R., 1980. Analytic extensions to the gaussian Plume
model, J.Air Poll. ControlAssoc., 30(7),pp 773776.
Handscombe, C. M., Elsom, D. M., 1982. Rationalization of the national survey of air pollution
monitoring network of the United Kingdom using spatial correlation analysis:A CaseStudy
ofthegreaterLondonarea,Atmos.Environ.,16,pp10611070.
Holton, J. R.,1992.An introduction to dynamic meteorology.International Geophysics Series. 3rd.
Academiced.NewYork.120P.
Hougland, E. S., 1977. Air pollution monitor network design using mathematical programming.
Virginia Polytechnic Institute and State University, Ph.D. Dissertation in Environmental
Sciences. Xerox University Microfilms,Ann Arbor, MI.
Journel,A. G., 1980. The lognormal approach to predicting local distributions of selective mining
unitgrades, J. Math. Geol.,12(4), pp285303.
Kassim, M., Kottegoda, N., 1991. Rainfall network design through comparative kriging methods,
Hydrological Sciences Journal, 36, pp 2632.
Larsen, I., 1969. A new mathematical model of air pollutant concentration averaging time and
frequency, J.Air Poll. ControlAssoc., pp 19, 2430.
Lefohn,A.S.,Knudsen,H.P.,Logan,J.A.,Simpson,J. yBhumralkan,C.,1987.Anevaluationof
thekriging methodtopredict 7h seasonalmean ozone concentrationsfor estimatingcrop
losses,J.Air Poll.ControlAssoc., 37(5),pp595602.
Liu, M.K.,Avrin, J.,Pollack, R.I., Behar,J.V. y McElroy, J.L. 1986.Methodology for designing air
qualitymonitoring networks:Theoreticalaspects, Environmental monitoringasses,6, pp 1
11.
Marsily, G.,Lavedan,G., Boucher,M.,yFasanino,G.,1984. InterpretationofInterferencetests in
a well field using geostatistical techniques to fit the permeability distribution in a reservoir
model.Geostatisticsfor naturalresources characterization,Part2,G.Verlyetal.,Eds. D.
Reidel Publishing Co., pp 831849.
Martnez,A. P. y Romieu,I., 1997.Introduccinalmonitoreo atmosfrico. ECO Metepec.Mexico.
130P.
Meyer,M.,Lijek,J.yOno,D.,1992.ContinuousPM10 measurementsinawoodsmokeenvironment.
Eds.AiryWaste ManagementAssoc.,Pittsburgh, pp 2439.
Munn,R.E.,1975.Suspendedparticulateconcentrations:SpatialcorrelationsintheDetroitWindsor
Area,Tellus, 27,pp 397405.
Munn, R.E., 1981.Thedesignofairqualitymonitoringnetworks. MacmillanLtd.London.213 P.
Nesbitt, K. J. y Carter, R. K., 1996. Immunoassay field analytical techniques. In principles of
environmental sampling, 2 Ed., L.H. Keith, Ed. Lewis Publishers, 735 P.
Noll, E. y Miller L., 1977.Air monitoring survey design.AnnArbor. Washington, DC, 114 P.
Peterson, J. T., 1970. Distribution of SO2 over metropolitan St. Louis as described by empirical
eigenvectors and its relation to meteorological Parameters,Atmos. Environ., 4, pp 501
518.
Rouhani, S., Ebrahimpour M. R., Yaqub, I. y Gianella, E., 1992. Multivariate geostatistical trend
detectionandnetworkevaluationofspacetimeaciddepositiondataI.Methodology,Atmos.
Environ., 26A(14), pp 26032614.
Russo, D., 1984. Design of an optimal sampling network for estimating the variogram, Soil Sci.
Soc.Am.J.,48,pp708716.
Sabaton,C.,1976.Etudedoptimisisationdunreseaudesurveillancedelapollutionatmospherique
dans la region parissienne atmospheric pollution. Elsevier,Amsterdam. 171 P.
Stalker, W. W., y Dickerson, R. C., 1962. Sampling station and time requirements for urban air

134

Gestin y
Ambiente

Volumen9No.2Agostode2006

Investigacin

pollutionsurveys,PartIII:Two andFourHour SoilingIndex,J.AirPoll.ControlAssoc.,12,

pp170178.
Stalker, W.W., Dickerson, R. C., yKramer, G.D., 1962.Samplingstation andtimerequirements
forurbanairpollutionsurveys,PartIV:2and24hoursulfurdioxide andsummaryofother
pollutants, J.Air Poll. Control Assoc., 12: pp 361375.
TrujilloVentura, A. y Ellis, J. H., 1991. Multiobjective air pollution monitoring network design,
Atmos. Environ., 25A(2), pp 469479.
U.S. EPA, 1987. Revisions to the national ambient air quality standards for particulate matter. 40
CFRPart50.FederalRegister,52:24634P.
U.S.EPA, 1996. National ambient air qualitystandardsfor particulate matter proposed rule. 40
CFRPart50. FederalRegister.
U.S.EPA, 1997. National ambient air quality standardsfor particulatematter finalrule. 40CFR
Part50. Federal Register, 62(138):pp3865138760.
U.S. EPA, 1997. Revised requirements for designation of reference and equivalent methods for
PM2.5 andambientair quality surveillanceforparticulatematterfinal rule.40 CFRParts
53and58.Federal Register, 62(138):pp3876338854.
Venkatram,A.,1988.Ontheuseofkriginginthespatialanalysisofacidprecipitationdata:Atmos
Environ., 22(9), pp 19631975.
Volpi, G. y Gambolati, G., 1978. On the use of a main trend for the kriging technique hydrology,
Adv.WaterRes.,I,pp345349.
Wilkins, E. M., 1971. Variational principle applied to numerical objective analysis of urban air
pollution distributions, J.Applied Meteorology ,10, pp 97498.
Woldt, W. y Bogardi, I., 1992. Ground water monitoring network design using multiple criteria
decision making and geostatistics, Water Res. Bull, 28(1), pp 4562.

Volumen9No.2Agostode2006

Gestin y
Ambiente

135

Investigacin

136

Gestin y
Ambiente

Volumen9No.2Agostode2006