Noviembre 2002 | INICIO
Física
UltraModerna
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. |
|
EXISTE OTRA ALTERNATIVA 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 BAJAR
PAPER DE REDES NEURONALES
|
|
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: |
* 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 (...)
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)