Show simple item record

dc.contributor.advisorPacsi Valdivia, Sergio Artemio
dc.contributor.authorEspinoza Guillen, José Abel
dc.date.accessioned2021-08-26T15:20:15Z
dc.date.available2021-08-26T15:20:15Z
dc.date.issued2021
dc.identifier.urihttps://hdl.handle.net/20.500.12996/4874
dc.descriptionUniversidad Nacional Agraria La Molina. Escuela de Posgrado. Maestría en Ciencias Ambientaleses_PE
dc.description.abstractEn la presente investigación, se aplicaron los métodos estadísticos multivariados de análisis de componentes principales (ACP) y análisis de clúster jerárquico (ACJ) a los datos de concentraciones de seis contaminantes atmosféricos y cinco parámetros meteorológicos durante el periodo 2015-2019, con el objetivo de determinar los patrones espaciales de calidad de aire en el Área Metropolitana de Lima y Callao (AMLC). Asimismo, se realizó el pronóstico de las concentraciones de los contaminantes atmosféricos mediante modelos de regresión lineal múltiple (RLM). En el estudio se analizaron los valores de concentración horarias de PM10, PM2,5, NO2, O3, CO, SO2 y variables meteorológicas como temperatura del aire, humedad relativa, dirección, velocidad del viento y radiación solar medidas en la Red de Monitoreo Automático de Calidad de Aire (REMCA), administrada por el Servicio Nacional de Meteorología e Hidrología del Perú (SENAMHI). Los principales resultados mostraron que las diez estaciones de la REMCA se podrían agrupar según su comportamiento de contaminación del aire en seis grupos diferentes para el PM10 y PM2,5, cinco grupos diferentes para NO2 y CO, tres grupos diferentes para el O3, y siete grupos diferentes para el SO2. Así también, de acuerdo con la evaluación de las variables meteorológicas las estaciones se podrían agrupar en dos grupos diferentes para la temperatura del aire, humedad relativa y radiación solar; cinco grupos diferentes para la velocidad del viento; y siete grupos diferentes para la dirección del viento. Finalmente, los modelos implementados para el pronóstico de las concentraciones de los seis contaminantes de interés, presentaron mayor desempeño cuando se seleccionaron como variables predictores a las concentraciones del mismo contaminante de las otras estaciones de monitoreo. Asimismo, los coeficientes de determinación ajustados para todos los modelos fueron superiores al 41%. El modelo de pronóstico generado para el parámetro O3 obtuvo los mejores indicadores de desempeño, llegando a presentar un r2 ajustado de 0.86 con una RECM de 5.1 µg/m3 .es_PE
dc.description.abstractIn this research, the multivariate statistical methods of principal component analysis (PCA) and hierarchical cluster analysis (HCA) were applied to the concentration data of six air pollutants and five meteorological parameters during the period 2015-2019 with the objective to determine the patterns spatial air quality in the Metropolitan Area of Lima and Callao (MALC). Likewise, the forecast of the concentrations of atmospheric pollutants was carried out using multiple linear regression models (MLR). The study analyzed the hourly concentration values of PM10, PM2,5, NO2, O3, CO, SO2 and meteorological variables such as air temperature, relative humidity, direction, wind speed and solar radiation measured in the Automatic Monitoring Network were analyzed. of Air Quality (AAQMN), administered by the National Service of Meteorology and Hydrology of Peru (SENAMHI). The main results showed that the ten AAQMN stations could be grouped according to their air pollution behavior into six different groups for PM10 and PM2,5, five different groups for NO2 and CO, three different groups for O3, and seven different groups for SO2. Also, according to the evaluation of the meteorological variables, the stations could be grouped into two different groups for air temperature, relative humidity and solar radiation; five different groups for wind speed; and seven different groups for the wind direction. Finally, the models implemented for the forecasting of the concentrations of the six pollutants of interest presented higher performance when the concentrations of the same pollutant from the other monitoring stations were selected as predictor variables. Likewise, the coefficients of determination adjusted for all models were greater than 41%. The forecast model generated for the O3 parameter had the best performance indicators, reaching an adjusted rsquared of 0.86 with a RMSE of 5.1 µg/m3en_US
dc.formatapplication/pdfen_US
dc.language.isospaes_PE
dc.publisherUniversidad Nacional Agraria La Molinaes_PE
dc.rightsinfo:eu-repo/semantics/openAccessen_US
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectAirees_PE
dc.subjectPolución del airees_PE
dc.subjectContaminación del airees_PE
dc.subjectMétodos matemáticoses_PE
dc.subjectAnálisis cuantitativoes_PE
dc.subjectMétodos estadísticoses_PE
dc.subjectEvaluaciónes_PE
dc.subjectLima Metropolitanaes_PE
dc.subjectTécnicas multivariadases_PE
dc.titleEvaluación de patrones espaciales y pronóstico de la calidad del aire en Lima Metropolitana mediante técnicas estadísticas multivariadases_PE
dc.typeinfo:eu-repo/semantics/masterThesisen_US
thesis.degree.disciplineCiencias Ambientaleses_PE
thesis.degree.grantorUniversidad Nacional Agraria La Molina. Escuela de Posgradoes_PE
thesis.degree.nameMagister Scientiae - Ciencias Ambientaleses_PE
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.07.01es_PE
renati.author.dni73578362es_PE
dc.publisher.countryPEes_PE
dc.type.versioninfo:eu-repo/semantics/publishedVersionen_US
renati.advisor.orcidhttps://orcid.org/0000-0003-4262-0593es_PE
renati.advisor.dni06301457es_PE
renati.typehttps://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttps://purl.org/pe-repo/renati/level#maestroes_PE
renati.discipline521087es_PE
renati.jurorGarcía Villanueva, Jerónimo
renati.jurorAguilar Vidangos, Víctor
renati.jurorMiyashiro Kiyan, Víctor


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess