Noviembre 2002 | INICIO
Física
UltraModerna
Geofísica
de la Atmósfera: Pronosticando la Contaminación Atmosférica
mediante Redes Neuronales
Software de Deep Learning
.
El DS N° 59 de 1998
del MINSEGPRES indica la posibilidad de utilizar un Predictor para tomar medidas
que eviten o atenúen la probable ocurrencia de un episodio crítico
de contaminación atmosférica. Inspirado en esto, en 1999 se contrató
al experto estadounidense Joseph Cassmassi para desarrollar un Predictor que cumpliera
con los requisitos del DS N° 59. La confiabilidad del Predictor fue evaluado
por el Departamento de Geofísica de la Universidad de Chile, arrojando
los siguientes resultados:
* Confiabilidad Global: 71%
* Confiabilidad
frente a pronosticar buenas condiciones: 91%
* Confiabilidad frente a alerta:
44%
* Confiabilidad frente a preemergencia: 60%
Lamentablemente, año
a año las condiciones dinámicas del sistema cambian. En 1999 una
desfavorable condición de ventilación ("PMCA alto") gatillaba
obligatoriamente una situación crítica. Esto se ve reflejado en
que el modelo Casmassi aplicado a estaciones como Pudahuel ponderan la ventilación
(o el PMCA) con un factor cercano al 40%. Hoy en día esto ya no es así. |
Las Redes Neuronales son capaces de implementar
diversas tareas no algorítmicas. Aquí observamos una RN capaz de
realizar eficientemente un análisis granulométrico de las rocas
de una mina. | |
| EXISTE OTRA ALTERNATIVA
Para soslayar las dificultades se necesita un
modelo que se ADAPTE a los cambios en la dinámica del sistema. Por otro
lado, la meteorología no tiene porqué ser necesariamente el factor
gatillante si ne qua non de una situación crítica. Un episodio de
contaminación se asemeja a una obra de teatro: se necesita de actores
(= material particulado) y de un escenario adecuado (= condiciones meteorológicas
adversas). Si no se tiene AMBAS cosas, el episodio evidentemente no puede ocurrir. Según
la tesis de Postítulo en Consultoría Medioambiental "Desarrollo
de un Predictor de MP10 basado en la utilización de Redes Neuronales"
(USACH, año 2000), se puede obtener mejores resultados con una Red Neuronal.
Una Red Neuronal corresponde a un Sistema Experto que se adapta a los cambios
en la dinámica del sistema, dado que imita el comportamiento del cerebro
humano (se definen neuronas y sinapsis). Así es como se puede llegar a
confiabilidades globales cercanas al 90%.
En esta tesis se
parte del supuesto de que TODA la información necesaria para modelar el
sistema (meteorología, día feriado o no, características
de la capa de inversión térmica, etc.) se halla tácitamente
en la forma de la curva "Material Particulado v/s t", la cual
siempre está evolucionando. El problema estriba en saber cómo encontrar
esa información. Aquí es cuando entran en acción las RN. |
En Abril nos enteramos con agrado de la
implantación de un sistema paralelo para predecir episodios críticos
basado en Redes Neuronales. El modelo ha sido desarrollado por el Grupo de
Pronóstico USACH y según La Tercera (15 de Abril de 2002): "(...)
El modelo lineal, utilizado desde 1998, tiene un 69% de certeza, mientras que
el sistema neuronal puede llegar a sobrepasar el 80%".
El
Modelo Neuronal desarrollado en Marzo de 2003 fue entrenado con datos del año
2001 y testeado con datos del año 2002. Los resultados son los siguientes:
* Confiabilidad Global: 88.8%
* Falsos Positivos: 15 (Modelo oficial: 30)
Cabe señalar que a diferencia de todos los modelos existentes, la RN considera
a Santiago como un sistema indivisible (las estaciones no se modelan aisladamente
= anti-reduccionismo)
|
NOTAS
* ¿Qué es un episodio crítico?
Es toda situación donde el máximo promedio de 24 horas del Material
Particulado MP10 es mayor o igual que 195 mg/m3N
(norma internacional: 66 mg/m3N)
* ¿Qué
es el MP10?
Corresponde al Material Particulado con diámetro inferior
a 10 mm.
* ¿Qué es lo que pronostican
los modelos?
La concentración máxima promediada en 24 hrs móviles
del MP10 para el día siguiente
* ¿Cuál es la norma primaria
de Calidad del Aire en Chile?
Según el DS N° 59, la norma para
el MP10 es de 150 mg/m3N como concentración
de 24 horas. Sin embargo, cuando esto ocurre se considera equivalente a "situación
regular" y no se toma ninguna medida anticontaminante. La medida recién
se toma al alcanzar los 195 mg/m3N. Por
lo tanto:
- Norma teórica: 150 mg/m3N
- Norma práctica: 195 mg/m3N
|
El Modelo Casmassi asume que
la Contaminación atmosférica depende de las siguientes
variables: |
|
VARIABLES RELACIONADAS CON LAS EMISIONES
|
* Día de la semana
* Día feriado o no feriado
* Delta de concentraciones según el día de la semana
(modelo CONAMA)
* Delta de concentraciones según el día de la semana
para la estación de monitoreo específica |
|
VARIABLES DE MP10 PARA CADA ESTACIÓN
|
* Concentración máxima de 24 hrs observada
el día anterior
* Concentración promedio de 24 hrs observada a las 10 hrs del
día actual
* Delta de concentraciones medias de 24 hrs. a las 10 hrs (en la última
hora, últimas 3 hrs, últimas 6 hrs) |
|
VARIABLES METEOROLÓGICAS (radiosondeo en
Quintero, Santo Domingo a las 12 UTC del día actual)
|
* PMCA estimado intuitivamente para el día
siguiente (PMCA = Potencial Meteorológico de Contaminación
Atmosférica)
* Altura, Temperatura, humedad y viento observados a los cuatro niveles
estándar de presión
* Altura, presión, temperatura de la base y tope de la capa
de inversión térmica cercana a la superficie
* Variables derivadas de las anteriores (espesores y deltas con el
día anterior) |
|
| x |
|
EL DIFÍCIL CAMINO PARA CONTAR CON UN
BUEN MODELO DE PRONÓSTICO (MP) Como
todas las cosas relacionadas con el medio ambiente, aquí no funciona la
Ingeniería Económica. No basta que el MP tenga una excelente estadística
(criterio técnico) ni que sea barato (criterio económico). A continuación,
algunas de las barreras tácitas que debe superar:
1) Un error del MP
alternativo es mucho más grave que el mismo error cometido por el MP oficial.
Esta es una típica estrategia negociadora: poner énfasis en
los errores y no en los aciertos. Por ejemplo, para desacreditar al MP alternativo
basta con hacer que pronostique erróneamente una situación de emergencia
(situación que sería fácil de magnificar). Esto se consigue proporcionando datos
de entrada mal validados y/o utilizando como input un factor de ventilación
(o PMCA) con poca precisión. Este factor se encuentra entre 1 y 5 y su
incerteza es de ± 0.5. Luego, si el PMCA es 1, la incerteza será
del 50% y si es 5, la incerteza será del 10%.
2) No basta que el MP
alternativo cometa muchos menos errores que el MP actual, dado que un error del
modelo oficial no se cuenta como tal si ese día la CONAMA no consideró
creíble su pronóstico (equivale a decir que las adivinas nunca se
equivocan porque nunca les creemos...)
3) La situación de "Alerta
Ambiental" se definió para apaciguar a la opinión pública
y mostrar que se hace algo para evitar la contaminación. Todos los expertos
coinciden que el efecto de las medidas anticontaminantes que se toman durante
una Alerta es despreciable (del ORDEN del 1%). Luego, no importa mucho que el
MP alternativo sea claramente superior al MP actual en lo que a situaciones de
Alerta se refiere (pero ésto no es problema del modelo, si no de la mala
elección de la medida)
4) A veces las situaciones críticas duran
muy poco (2-3 horas). En ese caso, se definen arbitrariamente como situaciones
del tipo "Bueno a Regular". Por ejemplo, si el MP alternativo pronostica
una Preemergencia y esta ocurre entre las 22:00 y las 24:00, se considerará
como un error del modelo, porque la Preemergencia "nunca ocurrió"
(a pesar de que las estaciones marcaban Preemergencia)
5) Por último,
si el MP alternativo consiguiera sortear los anteriores cuatro obstáculos,
aún existe una barrera infranqueable: los grupos de lobby. Organismos como
@@@ abogan por un MP deficiente. Para ellos el modelo ideal es aquel que pronostica
"Bueno a Regular" cuando ocurre una situación crítica,
porque así se evita que ese día cientos de industrias tengan que
cerrar. En otras palabras, se traspasa una externalidad (la contaminación)
desde las industrias a los grupos más débiles de la población
(los ancianos y los bebés que colapsan los hospitales durante una situación
crítica).
NOTA: El modelo se puede desacreditar ya sea por exceso
o por defecto y así la decisión final resulta ser política
y no técnica:
- Por exceso: si el modelo pronostica tantas situaciones
críticas erróneas que nadie lo considera confiable (corresponde
a Cassmassi durante los años 2000-2004)
- Por defecto: si el modelo
prácticamente no pronostica situaciones críticas. |
* 20-May-04: Modelo de contaminación
atmosférica
Estimados
Sres de TGT:
Me parece muy interesante
la información que proveen en su página.
Me gustaría
solicitarles detalles del Modelo de Contaminación usado oficialmente para
la predicción de situaciones críticas de contaminación atmosférica.
Me basta con alguna referencia "conseguible", ojalá lo más
matemática y técnica que se pueda. Mi interés es sólo
académico, no tiene relación alguna con mi trabajo. De antemano
gracias y felicitaciones.
manreyes@puntodevista.cl - Ingeniero Matemático
Estimado
Manuel
El modelo Cassmassi es un modelo bastante simple en sus
hipótesis (como que la contaminación depende muy fuertemente del
escenario o "PMCA") y asume que el clima es modelable con técnicas
estadísticas de regresión lineal múltiple,
lo cual está demostrado que es una aproximación muy burda (Según
los trabajos de Edward Lorenz, pionero en Teoría del Caos). En palabras
del científico chileno Mario Markus: " Si queremos predecir
el tiempo de aquí a tres días necesitaremos 10 mil estaciones meteorológicas
(...) Si queremos predecir de aquí a 14 días, sería posible,
pero necesitaríamos no 10 mil, sino 100 millones de estaciones (... Y si
queremos un mes de anticipación) deberíamos disponer de 10 elevado
a 20 estaciones (... es decir) una cada cinco milímetros cuadrados".
Para
ver las variables de entrada del modelo Cassmassi, dar clic AQUÍ.
* Artículo oficial sobre el Modelo Cassmassi:
"Improvement of the forecast air quality and of the knowledge of the local
meteorological conditions in the metropolitan region", publicado por
CONAMA
Por otro lado, el Modelo Neuronal se ha hecho
funcionar desde 1996 y cada año ha mostrado ser mucho mejor que el modelo
oficial.
Ejemplo con el año 2003:
El
Modelo Neuronal se basa en un análisis inicial del Caos de las series temporales
con el objetivo de encontrar algún "punto de vista" desde donde
todo se vea "más ordenado". A continuación esta información
es utilizada para crear la arquitectura óptima de una Red Neuronal. Por
su parte, la gente del CENMA no entiende como un modelo así se puede adaptar
a escenarios tan distintos como uno pre-frontal v/s uno post-frontal, siendo que
cualquier manual básico sobre TI explica que las Redes Neuronales son predictores
no-lineales.
Las variables de entrada del Modelo Neuronal (versión
2003) son:
- PM10 a las 18:00 y a las 19:00 hrs por cada estación relevante
(La Florida, El Bosque, Parque O'Higgins, Pudahuel y Cerrillos)
- Amplitud
térmica hoy
- Amplitud térmica pronosticada para mañana
- PMCA pronosticado para mañana por el CENMA (margen
de error promedio del pronóstico del orden del 20%)
*
Artículo sugerido sobre el Modelo Neuronal: "Prediction of maximum
of 24-h average of PM10 concentrations 30 h in advance in Santiago, Chile",
paper publicado en Atmospheric Environment 36 (año 2002)
22-May
04
Estimados Sres de TGT:
Esperaba un nivel técnico verdaderamente
"profesional" de parte de la CONAMA. Estoy absolutamente decepcionado.
De hecho yo los defendía, diciendo que los errores de predicción
son factibles, que había que contar con qué frecuencia ocurrían
en el año y de esa forma evaluar el modelo. Además, la gente sólo
recuerda los hechos malos, no los buenos.
Pero creer que la estadística
de regresión lineal múltiple es capaz de predecir decentemente
cualquier variable física con precisión, es demostrar un desconocimiento
vergonzoso, comparable sólo con intentar predecir la contaminación
con una serie de tiempo AR(1) (sale un ridículo "random walk",
gráficamente muy bonito, pero con cero capacidad de predicción).
Si bien las Redes Neuronales nunca me han gustado por "principios",
pienso que en este caso seguramente es la solución. Yo más
bien hubiese usado procesos estocásticos, pero es mi "deformación"
profesional (hice mi memoria en ese tema en Beaucheff).
Leeré con atención
la información que me han enviado y les agradezco mucho el tiempo que se
han tomado para responderme (...)
QUÉ
ES UNA RED NEURONAL
Una Red Neuronal Artificial
(RNA) es una estructura que, inspirada en la biofísica del cerebro, permite
resolver tareas de clasificación y predicción. El "Perceptrón"
corresponde a la RNA más simple y posee las siguientes características:
* Una capa de entrada con ni neuronas aferentes.
* Una capa de
salida con no neuronas eferentes.
* Coeficientes wij
que representan la intensidad de la sinapsis entre la neurona i de la capa de
entrada y la neurona j de la capa de salida.
* Función de transferencia
(actividad neuonal j - ésima) igual a la función:
.....Sj
= Kj uj, para una RNA lineal.
.....Sj
= Kj Tanh(uj) para una RNA no lineal.
Donde:
uj = Si wijri = Estímulo eficaz
sobre la neurona j-ésima de la capa de salida.
ri = Actividad
de la neurona i-ésima de la capa de entrada.
*
La RNA "aprende" (modifica su set de sinapsis) al minimizar iterativamente
la función
E = Sj (Sj
- dj )2 / 2
(Energía cinética relativa)
Donde:
dj = Valor de salida deseado en la neurona j
Sj
= Valor realmente obtenido en la neurona j
Cabe
señalar que el algoritmo que indica como minimizar la función E
es conocido como "Algoritmo de Retropropagación". Los
valores de dj se obtienen a partir de un subconjunto de los datos disponibles,
constituyendo así el conjunto de "Vectores de Entrenamiento".
En base a la experiencia acumulada (sinapsis modificadas por el set de entrenamiento),
la RNA podrá efectuar predicciones sobre los "Vectores de Test".
REFERENCIAS
* Las Máquinas Neuronales en Mundo Científico, n°
87 (volumen 9)
* Especial de Neurociencias de Investigación y Ciencia,
noviembre de 1992
* Programas Inteligentes en Investigación
y Ciencia, noviembre de 1995
* Donald O Hebb, teórico de la
mente en Investigación y Ciencia, marzo de 1993
* Adiestramiento
de las máquinas en Investigación y Ciencia, junio de
1995
* Desarrollo de un Predictor de
MP10 basado en la utilización de Redes Neuronales (Tesis, año
2000)
www.geofisica.cl