Universidad de La Salle Universidad de La Salle
Ciencia Unisalle Ciencia Unisalle
Ingeniería Ambiental y Sanitaria Facultad de Ingeniería
1-1-2018
Análisis espacial y temporal de la concentración de NO2 Análisis espacial y temporal de la concentración de NO2
troposférico en cuatro áreas urbanas de Colombia para el periodo troposférico en cuatro áreas urbanas de Colombia para el periodo
entre 2005 y 2016 entre 2005 y 2016
Luis Carlos Molano Delgado Universidad de La Salle, Bogotá
Angie Natali Zambrano Ovalle Universidad de La Salle, Bogotá
Follow this and additional works at: https://ciencia.lasalle.edu.co/ing_ambiental_sanitaria
Citación recomendada Citación recomendada Molano Delgado, L. C., & Zambrano Ovalle, A. N. (2018). Análisis espacial y temporal de la concentración de NO2 troposférico en cuatro áreas urbanas de Colombia para el periodo entre 2005 y 2016. Retrieved from https://ciencia.lasalle.edu.co/ing_ambiental_sanitaria/750
This Trabajo de grado - Pregrado is brought to you for free and open access by the Facultad de Ingeniería at Ciencia Unisalle. It has been accepted for inclusion in Ingeniería Ambiental y Sanitaria by an authorized administrator of Ciencia Unisalle. For more information, please contact [email protected].
ANÁLISIS ESPACIAL Y TEMPORAL DE LA CONCENTRACIÓN DE NO2
TROPOSFÉRICO EN CUATRO ÁREAS URBANAS DE COLOMBIA PARA EL
PERIODO ENTRE 2005 Y 2016
LUIS CARLOS MOLANO DELGADO
ANGIE NATALI ZAMBRANO OVALLE
UNIVERSIDAD DE LA SALLE
FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA AMBIENTAL Y SANITARIA
BOGOTÁ. D.C
2018
2
ANÁLISIS ESPACIAL Y TEMPORAL DE LA CONCENTRACIÓN DE NO2
TROPOSFÉRICO EN CUATRO ÁREAS URBANAS DE COLOMBIA PARA EL
PERIODO ENTRE 2005 Y 2016
LUIS CARLOS MOLANO DELGADO
ANGIE NATALI ZAMBRANO OVALLE
Trabajo de grado para optar por el título de Ingeniero Ambiental y Sanitario
Director
BORIS RENÉ GALVIS REMOLINA
UNIVERSIDAD DE LA SALLE
FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA AMBIENTAL Y SANITARIA
BOGOTÁ. D.C
2018
3
Nota de aceptación
_______________________________
_______________________________
_______________________________
_______________________________
______________________________
DIRECTOR: BORIS GALVIS REMOLINA
______________________________
JURADO 1: GABRIEL HERRERA
______________________________
JURADO 2: MAYERLING SANABRIA
Bogotá D.C., Junio de 2018
4
DEDICATORIA
“A Dios por guiarme en todo este camino, brindarme la paz necesaria ante la adversidad y la
fortaleza para luchar por mis sueños. A mis padres, María Helena y Octavio, por enseñarme a
dar lo mejor de mí, apoyarme en todas las metas que me propongo y ser mi mayor ejemplo a
seguir. A mi hermano, por ser mi motivación para hacer las cosas lo mejor posible. A mis
abuelitas por su sabiduría y enseñarme a hacer todo con amor. A mi compañero, por ser mi
apoyo en este camino y convertirse en una persona incondicional en mi vida. Y a mis amigos, por
vivir este camino a mi lado y animarme en los momentos difíciles.”
Angie Natalí Zambrano Ovalle
“Agradezco a Dios en principio por cuidarme en cada paso y brindarme la sabiduría necesaria
para culminar esta etapa de mi vida. A mi madre Janeth, por su coraje y fortaleza para asumir
las dificultades de la vida y por hacer de mi lo que soy. A mi padre Luis, por su apoyo y
dedicación en la construcción de una familia sólida y llena de amor. A mi hermana porque junto
con mi sobrina le devolvieron el rumbo a mi familia desde antes de nacer. A mi abuelita que
desde el firmamento me cuida y sé está muy feliz de este logro. A mis amigos por estar ahí
cuando más los he necesitado. A mi compañera y amiga Natalí por su dedicación y esmero en la
construcción de este documento y por su apoyo durante toda mi vida universitaria.”
Luis Carlos Molano Delgado
5
AGRADECIMIENTOS
Agradecemos a todas aquellas personas que nos apoyaron para la realización y entrega de este
trabajo, especialmente:
A nuestro director el Ingeniero Boris Galvis, por confiar en nuestras capacidades desde el
principio, compartir su conocimiento y sabiduría, colaborarnos en la obtención de datos,
brindarnos otras perspectivas y guiar el desarrollo de este proyecto.
A la Ingeniera Lina María Chacón, por creer en nuestras ideas, ser incondicional en toda la
realización del proyecto, inclinar nuestra atención hacía nuevos temas y suministrarnos la
información necesaria.
Al Ingeniero Luis Carlos Belalcázar, por retarnos a generar investigación en un tema innovador y
por instruirnos en el manejo de la plataforma GIOVANNY.
A la Universidad de La Salle por forjar en nosotros un espíritu crítico e investigativo, enseñarnos
a dirigir nuestros proyectos hacia el bien común y permitirnos encontrar en nuestros docentes y
amigos personas maravillosas que enriquecieron nuestro crecimiento personal y profesional en
estos años.
6
CONTENIDO
GLOSARIO ............................................................................................................................................... 10
1. RESUMEN ......................................................................................................................................... 13
2. ABSTRACT ....................................................................................................................................... 14
3. INTRODUCCIÓN ............................................................................................................................. 15
4. OBJETIVOS .................................................................................................................................. 16
4.1. Objetivo general ........................................................................................................................ 16
4.2. Objetivos específicos .................................................................................................................. 16
5. MARCO DE REFERENCIA ........................................................................................................... 17
5.1. Antecedentes .............................................................................................................................. 17
5.2. Marco teórico ............................................................................................................................. 19
5.2.1. Contaminación Atmosférica ............................................................................................. 19
5.2.2. Dióxido de nitrógeno(NO2) y sus efectos .......................................................................... 21
5.2.3. Monitoreo de la calidad del aire ....................................................................................... 22
5.2.4. Medición de contaminantes atmosféricos mediante sensores remotos ......................... 24
5.2.4.1. Medición NO2 con el instrumento de monitoreo de ozono (OMI) ............................ 25
5.2.5. Correlación de Spearman ................................................................................................. 26
5.3. Marco legal ................................................................................................................................. 29
6. METODOLOGIA ............................................................................................................................. 31
6.1. Determinación de variables espacio y tiempo ......................................................................... 32
6.1.1. Periodo de tiempo .............................................................................................................. 32
6.1.2. Áreas de estudio ................................................................................................................. 32
6.2. Obtención de datos .................................................................................................................... 33
6.2.1. Datos provenientes del OMI ............................................................................................. 33
6.2.2. Datos provenientes de la red ............................................................................................. 34
6.3. Tratamiento de datos ................................................................................................................ 35
6.4. Correlación de datos ............................................................................................................. 35
6.4.1. Correlaciones simples ........................................................................................................ 36
6.4.2. Correlación parcial con una variable .............................................................................. 36
6.4.3. Correlación parcial con dos variables ............................................................................. 38
6.5. Análisis de series de tiempo ...................................................................................................... 38
6.5.1. Concentración de NO2 vs Norma de Calidad del aire .................................................... 38
6.5.2. Análisis de evolución de NO2 ............................................................................................ 39
6.5.3. Descomposición de series de tiempo ................................................................................ 39
6.5.4. Análisis de frecuencias ...................................................................................................... 39
7
6.6. Análisis distribución espacial ................................................................................................... 39
7. DESCRIPCIÓN GENERAL DE LAS ZONAS DE ESTUDIO ..................................................... 41
7.1. República de Colombia ............................................................................................................. 41
7.2. Bogotá D.C. y su área urbana .................................................................................................. 42
7.3. Medellín y su área urbana ........................................................................................................ 43
7.4. Cali y su área urbana ................................................................................................................ 45
7.5. Bucaramanga y su área urbana ............................................................................................... 47
8. INTEGRACIÓN E INTERPRETACIÓN DE RESULTADOS .................................................... 49
8.1. Correlaciones ............................................................................................................................. 49
8.1.1. Correlaciones simples ............................................................................................................ 49
8.1.1.1. Datos diarios NO2 .......................................................................................................... 49
8.1.1.2. Datos 2 p.m. NO2 ........................................................................................................... 50
8.1.1.3. Datos diarios NO2 por estación .................................................................................... 52
8.1.1.4. Datos 2 p.m. NO2 por estación ..................................................................................... 56
8.1.2. Correlación parcial con una variable .................................................................................. 59
8.1.2.1. Correlación parcial con control de la radiación ......................................................... 59
8.1.2.2. Correlación parcial con control de la velocidad del viento ........................................ 61
8.1.3. Correlación parcial con dos variables ................................................................................. 63
8.2. Evolución del NO2 en Colombia ............................................................................................... 67
8.2.1. Concentración de NO2 vs Norma ..................................................................................... 68
8.2.2. Análisis de evolución de NO2 ............................................................................................ 69
8.2.3. Descomposicion de serie de tiempo .................................................................................. 72
8.2.3.1. Estacionalidad de series de tiempo .............................................................................. 77
8.2.4. Análisis de frecuencias ...................................................................................................... 80
8.3. Distribución espacial de NO2 .................................................................................................... 85
8.3.1. Distribución espacial de NO2 en áreas urbanas .............................................................. 85
8.3.2. Distribución espacial de NO2 en Colombia ...................................................................... 97
9. CONCLUSIONES ........................................................................................................................... 104
10. RECOMENDACIONES ............................................................................................................. 108
11. BIBLIOGRAFÍA ......................................................................................................................... 110
12. ANEXOS ...................................................................................................................................... 114
8
INDICE DE FIGURAS
Figura 1. Proceso medición satelital .......................................................................................................... 24
Figura 2. Diagrama de flujo Metodología .................................................................................................. 31
Figura 3. Método para elección de cuadrante por ciudad ........................................................................... 33
Figura 4. Descarga de datos desde la plataforma GIOVANNI .................................................................. 34
Figura 5. Estaciones de NO2 por SVCA en Colombia ............................................................................... 41
Figura 6. Parque automotor Bogotá ........................................................................................................... 43
Figura 7. Estaciones de Monitoreo de NO2 en Bogotá ............................................................................... 43
Figura 8. Parque automotor Medellín......................................................................................................... 44
Figura 9. Estaciones de Monitoreo de NO2 en Medellín ............................................................................ 45
Figura 10. Parque automotor Cali .............................................................................................................. 46
Figura 11. Estaciones de monitoreo de NO2 en Cali .................................................................................. 46
Figura 12. Parque automotor Bucaramanga ............................................................................................... 47
Figura 13. Estaciones de monitoreo de NO2 en Bucaramanga .................................................................. 48
Figura 14. Diagramas de dispersión con datos NO2 diarios ....................................................................... 50
Figura 15. Diagramas de dispersión con datos 2 p.m. NO2 ........................................................................ 51
Figura 16. Dispersión con promedios diarios en Bogotá ........................................................................... 53
Figura 17. Dispersión con promedios diarios en Medellín ........................................................................ 54
Figura 18. Dispersión con promedios diarios en Bucaramanga ................................................................. 55
Figura 19. Dispersión con datos 2.p.m por estación en Bogotá ................................................................. 57
Figura 20. Dispersión con datos 2 p.m. por estación en Medellín ............................................................. 58
Figura 21. Diagramas de dispersión con datos de Radiación ..................................................................... 60
Figura 22. Diagramas de dispersión con datos de velocidad del viento ..................................................... 62
Figura 23. Diagrama de dispersión con control de dos variables para Bogotá .......................................... 64
Figura 24. Diagrama de dispersión con control de dos variables para Medellín ........................................ 65
Figura 25. Diagrama de dispersión con control de dos variables para Cali ............................................... 66
Figura 26. Evolución de la concentración de NO2 en algunas ciudades de Colombia .............................. 68
Figura 27. Evolución de la concentración de NO2 en Bogotá ................................................................... 70
Figura 28. Evolución de la concentración de NO2 en Medellín ................................................................ 70
Figura 29. Evolución de la concentración de NO2 en Cali ........................................................................ 71
Figura 30. Evolución de la concentración de NO2 en Bucaramanga ......................................................... 72
Figura 31. Descomposición serie de tiempo Bogotá .................................................................................. 73
Figura 32. Descomposición serie de tiempo Medellín ............................................................................... 74
Figura 33. Descomposición serie de tiempo Cali ....................................................................................... 75
Figura 34. Descomposición serie de tiempo Bucaramanga ........................................................................ 76
Figura 35. Estacionalidad serie de tiempo Bogotá ..................................................................................... 77
Figura 36. Estacionalidad serie de tiempo Medellín .................................................................................. 78
Figura 37. Estacionalidad serie de tiempo Cali .......................................................................................... 79
Figura 38. Estacionalidad serie de tiempo Bucaramanga ........................................................................... 80
Figura 39. Frecuencias en Bogotá .............................................................................................................. 81
Figura 40. Frecuencias en Medellín ........................................................................................................... 82
Figura 41. Frecuencias en Cali ................................................................................................................... 83
Figura 42. Frecuencias en Bucaramanga .................................................................................................... 84
Figura 43. Distribución de NO2 en Cundinamarca 2005-2010 .................................................................. 86
Figura 44. Distribución de NO2 en Cundinamarca 2011-2016 .................................................................. 87
Figura 45. Distribución de NO2 en Valle 2005-2010 ................................................................................. 89
9
Figura 46. Distribución de NO2 en Valle 2011-2016 ................................................................................. 90
Figura 47. Distribución de NO2 en Antioquia 2005-2010 .......................................................................... 92
Figura 48. Distribución de NO2 en Antioquia 2011-2016 .......................................................................... 93
Figura 49. Distribución de NO2 en Santander 2005-2010 .......................................................................... 95
Figura 50. Distribución de NO2 en Santander 2011-2016 .......................................................................... 96
Figura 51. Distribución de NO2 en Colombia 2005-2010 .......................................................................... 98
Figura 52. Distribución de NO2 en Colombia 2011-2016 .......................................................................... 99
ÍNDICE DE TABLAS
Tabla 1. Estaciones de medición de NO2 por SVCA.................................................................................. 23
Tabla 2. Grado de relación según coeficiente de correlación ..................................................................... 27
Tabla 3. Normatividad asociada a la investigación .................................................................................... 29
Tabla 4. Estaciones utilizadas por SVCA ................................................................................................... 32
Tabla 5. Datos empleados por caso de correlación .................................................................................... 36
Tabla 6. Estaciones usadas para análisis de radiación y velocidad del viento............................................ 37
Tabla 6. Clasificación establecida para radiación solar .............................................................................. 37
Tabla 7. Clasificación establecida para velocidad del viento ..................................................................... 37
Tabla 8. Coeficientes de correlación con datos diarios NO2 ...................................................................... 49
Tabla 9. Coeficientes de correlación con datos 2 p.m. NO2 ....................................................................... 51
Tabla 10. Coeficientes de correlación con datos diarios NO2 por estación en Bogotá ............................. 52
Tabla 11. Coeficientes de correlación con datos diarios NO2 por estación en Medellín ............................ 53
Tabla 12. Coeficientes de correlación con datos diarios NO2 por estación en Bucaramanga .................... 55
Tabla 13. Coeficientes de correlación con datos 2 p.m. NO2 por estación en Bogotá ............................... 56
Tabla 14. Coeficientes de correlación con datos 2 p.m. NO2 por estación en Medellín ............................ 57
Tabla 15. Coeficientes de correlación condicionados por Radiación ......................................................... 59
Tabla 16. Coeficientes de correlación condicionados por velocidad del viento ......................................... 61
Tabla 17. Coeficientes de correlación con control de dos variables - Bogotá ............................................ 63
Tabla 18. Coeficientes de correlación con control de dos variables - Medellín ......................................... 64
Tabla 19. Coeficientes de correlación con control de dos variables - Cali ................................................. 65
Tabla 20. Condiciones meteorológicas ideales por ciudad ......................................................................... 67
Tabla 21. Porcentaje de datos completados ................................................................................................ 67
Tabla 22. Porcentaje de datos validos por ciudad .................................................................................... 102
10
GLOSARIO
Aire: Fluido que forma la atmósfera de la Tierra, constituido por una mezcla gaseosa cuya
composición normal es de por lo menos 20% de oxígeno, 77% de nitrógeno y proporciones
variables de gases inertes y vapor de agua en relación volumétrica. (Ministerio de Ambiente,
Vivienda y Desarrollo Territorial, 2010)
Atmósfera: Es la capa gaseosa que rodea a la Tierra. (Ministerio de Ambiente, Vivienda y
Desarrollo Territorial, 2010)
Concentración de una Sustancia en el Aire: Es la relación que existe entre el peso o el
volumen de una sustancia y la unidad de volumen de aire en la cual está contenida. (Ministerio de
Ambiente, Vivienda y Desarrollo Territorial, 2010)
Contaminación Atmosférica: Es el fenómeno de acumulación o de concentración de
contaminantes en el aire. (Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 2010)
Contaminante criterio: Condiciones de concentración para ciertos contaminantes conocidos
como dañinos para la salud humana presentes en el aire y que constituyen los principales
parámetros de la calidad del aire. En el ámbito internacional se reconocen siete contaminantes
criterio: O3, CO, PST, PM10, SO2, NO2 y Pb. (SNIARN, 2010)
Contaminantes: Fenómenos físicos o sustancias, o elementos en estado sólido, líquido o
gaseoso, causantes de efectos adversos en el medio ambiente, los recursos naturales renovables y
la salud humana que, solos o en combinación, o como productos de reacción, se emiten al aire
como resultado de actividades humanas, de causas naturales, o de una combinación de éstas. .
(Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 2010)
Cuartil: Los cuartiles son valores que dividen una muestra de datos en cuatro partes iguales.
Utilizando cuartiles puede evaluar rápidamente la dispersión y la tendencia central de un conjunto
de datos (Minitab, 2017)
Emisión: Descarga de una sustancia o elemento al aire, en estado sólido, líquido o gaseoso, o en
alguna combinación de estos, provenientes de una fuente fija o móvil. (Ministerio de Ambiente,
Vivienda y Desarrollo Territorial, 2010)
11
Fuente Fija: Fuente de emisión situada en un lugar determinado e inamovible, aun cuando la
descarga de contaminantes se produzca en forma dispersa. (Ministerio de Ambiente, Vivienda y
Desarrollo Territorial, 2010)
Fuente Móvil: Es la fuente de emisión que, por razón de su uso o propósito, es susceptible de
desplazarse, como los automotores o vehículos de transporte a motor de cualquier naturaleza.
(Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 2010)
GIOVANNI: Giovanni es la interface web de la NASA que provee información de varios
satélites para todas las zonas del mundo. Los datos ya están procesados y pueden ser descargados
en una escala requerida. (Montoya, 2016)
Dióxido de Nitrógeno (NO2): Gas de color pardo rojizo fuertemente tóxico cuya presencia en el
aire de los centros urbanos se debe a la oxidación del nitrógeno atmosférico que se utiliza en los
procesos de combustión en los vehículos y fábricas. (Ministerio de Ambiente, Vivienda y
Desarrollo Territorial, 2010)
Material particulado: el material particulado (MP) comprende todas las partículas sólidas y
líquidas que se encuentran suspendidas en el aire. La vida media de las partículas en suspensión
varía desde segundos hasta meses. Cierta parte de las partículas introducidas por el hombre al
ambiente sirven como núcleos de condensación que influyen en la formación de nubes, lluvia y
nieve (Mc Granahan & Murray, 2003)
Metodos estadísticos no paramétricos: son aquellos en los que no existen supuestos sobre la
distribución de los parámetros de la población. Se aplican con mayor frecuencia a los datos
nominales y ordinales, si bien pueden emplearse también para analizar datos continuos
transformados a una escala ordinal (Badii, Guillen, Araiza, Cerna, & Valenzuela, 2012)
Ozono (O3): Gas azul pálido que, en las capas bajas de la atmósfera, se origina como
consecuencia de las reacciones entre los óxidos de nitrógeno y los hidrocarburos (gases
compuestos de carbono e hidrógeno principalmente) en presencia de la luz solar. (Ministerio de
Ambiente, Vivienda y Desarrollo Territorial, 2010)
Ozone Monitoring Instrument (OMI): Instrumento de monitoreo para el ozono total y otros
parámetros atmosféricos relacionados con la química del ozono y el clima, perteneciente al
satélite Aura. (NASA, 2017)
12
PM10: Las partículas con diámetro menor o igual a 10 μm, se conocen como partículas de
fracción respirable o PM10. (Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 2010)
PM2,5: Las partículas cuyo diámetro es menor o igual a 2,5 μm, se conocen como partículas de
fracción respirable o PM2,5. (Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 2010)
Satélite: Cuerpo en órbita alrededor de otro cuerpo en el espacio. (NASA, 2012); Pueden ser:
Natural: Cuerpo celeste en el espacio que orbita alrededor de un cuerpo más grande.
(Science Learning Hub)
Man-made: Es una máquina que se lanza al espacio y órbita alrededor de un cuerpo en el
espacio. Los satélites artificiales tienen varios instrumentos en ellos para realizar
diferentes funciones mientras que se encuentran en el espacio. (NASA, 2012)
Sensor Remoto: Instrumento capaz de captar o ver las relaciones espectrales y espaciales de
objetos y materiales observables a una considerable distancia de aquellos. (Pérez, 2007)
Sistemas de Información Geográfica: Sistemas que permiten la integración de bases de datos
espaciales y la implementación de diversas técnicas de análisis de datos. (Alonso, s.f.)
Sistema de Vigilancia de la Calidad del Aire: Conjunto de equipos de medición de calidad del
aire instalados sistemáticamente para verificar el cumplimiento de uno o varios de los objetivos
de vigilancia de calidad del aire previstos en el Protocolo para el Monitoreo y Seguimiento de la
Calidad del Aire. (Ministerio de Ambiente, Vivienda y Desarrollo Territorial, 2010).
13
1. RESUMEN
En este estudio se analizó la distribución temporal y espacial de las concentraciones de NO2
troposférico en cuatro áreas urbanas del territorio colombiano en el periodo de tiempo
comprendido entre los años 2005 y 2016. Para ello, se utilizaron los datos provenientes de las
redes de monitoreo de Bogotá, Medellín, Cali y Bucaramanga, y los reportados por el Ozone
Monitoring Instrument (OMI), y herramientas como ArcGIS y R para su tratamiento. Allí, se
establecieron coeficientes de correlación, entre los datos de OMI y las redes, condicionados en
algunos casos por variables ambientales, mediante la correlación de Spearman. Posteriormente,
se realizó un análisis de la evolución del NO2 en el periodo de estudio, mediante la
descomposición de las series de tiempo y un análisis de frecuencias. Simultáneamente, se
generaron mapas de distribución del contaminante para los cuatro departamentos de las zonas
estudiadas y para todo el territorio colombiano.
En la investigación se comprobó que los datos del OMI se correlacionan mejor con datos de la
red para las dos de la tarde en las ciudades de Bogotá y Medellín, además se obtuvieron mejores
correlaciones cuando se tuvieron en cuenta simultáneamente las variables de Radiación y
Velocidad del Viento. Los coeficientes más altos de correlación obtenidos teniendo en cuenta
diferentes variables fueron 0,90, 0,80, 0,64 y 0,04 para Bogotá, Medellín, Cali y Bucaramanga
respectivamente. Por otro lado, la descomposición de las series de tiempo aplicando el método de
wavelets permitió observar las similitudes en las tendencias y en las variaciones estacionales
entre los datos del OMI y los datos generados por la red. A su vez, la componente residual
evidenció que los datos del OMI se ven afectados por diferentes fenómenos que ocurren en la
atmosfera e interfieren con el valor de la columna que se reporta, como son la concentración de
NO2 en partes altas de la atmósfera y la nubosidad. Adicionalmente, con el análisis de frecuencias
se comprobó que las frecuencias importantes que se repiten para los datos de la red y del OMI
están generalmente entre los 0 y 50.
Para finalizar, se encontró que las ciudades que presentan columnas troposféricas de NO2 con
valores más altos se encuentran ubicadas en su mayoría en la Región Andina. Además, se
observó que las zonas con mayor presencia del contaminante en Cundinamarca, Antioquia, Valle
del Cauca y Santander son Tocancipa, el Valle de Aburra, Dagua y Vélez respectivamente.
14
Palabras clave: NO2, Sensor Remoto, Correlación de Spearman, Análisis de Series de Tiempo,
Distribución espacial.
2. ABSTRACT
In this study we analysed the temporal and spatial distribution of the concentrations of NO2 in
four urban areas of the Colombian territory between 2005 and 2016. We used data from the air
quality monitoring networks of Bogota, Medellin, Cali and Bucaramanga and from the Ozone
Monitoring Instrument (OMI). We used ArcGis and R to process the data. First, we looked at
correlations between NO2 concentrations and the NO2 column directly and filtering by
meteorological variables, later we analysed the time series of the NO2 column and
concentrations in the period of study by wavelet decomposition and analysis of frequencies, and
finally we looked at the spatial distribution of the pollutant for four departments of the studied
zones and for the whole Colombian territory.
We found that OMI measurements are better correlated with 2 p.m. ambient NO2 concentrations
at Bogota and Medellin. Good correlations were obtained when data was filtered by solar
radiation and wind speed. The highest correlation coefficients obtained were 0,90, 0,80, 0,64 and
0,04 for Bogota, Medellin, Cali and Bucaramanga respectively. Additionally, frequencies
analysis showed that surface ambient NO2 concentrations and the NO2 column reported by OMI
have column frequency’s between 0 and 50.
Decomposition of the time series indicated similar behaviours in the trends and the seasonal
variations between OMI data and ambient surface NO2 concentrations. We observed random
processes in OMI information but bot in NO2 surface concentrations. We showed that the
regions of Colombia with the greatest concentration of NO2 is Andean. In addition, was observed
that the zones with major presence of the pollutant in Cundinamarca, Antioquia, the Cauca
Valley and Santander are Tocancipa, the Aburra Valley, Dagua and Velez respectively.
Key words: NO2, Remote Sensor, Spearman's Correlation, Analysis of Time Series, Spatial
distribution.
15
3. INTRODUCCIÓN
El dióxido de nitrógeno (NO2) es uno de los contaminantes del aire más abundantes en áreas
urbanas. Los óxidos de nitrógeno se generan principalmente en los procesos de combustión, que
producen óxido nítrico, el cual se convierte rápidamente en dióxido de nitrógeno en la atmósfera.
Este contaminante puede tener graves efectos en la salud humana, principalmente en el aparato
respiratorio, causando infección e irritación de las vías respiratorias, además de ser precursor de
Ozono en la atmósfera. (Aránguez, 1999)
Al ser uno de los contaminantes más importantes a nivel atmosférico es de gran interés su
medición principalmente en las grandes ciudades. Entre algunas de las herramientas para su
medición se encuentran las estaciones de monitoreo de calidad del aire. Por otro lado, también se
pueden medir con algunos dispositivos de percepción remota, como, por ejemplo, el satélite
Aura, que cuenta con el “Ozone Monitoring Instrument”, en adelante (OMI). Este instrumento
cuenta con un sensor que mide las columnas de NO2 troposférico obteniendo como unidades
moléculas/cm2.
Este proyecto pretende evaluar la distribución espacial y temporal de NO2 para las áreas urbanas
de Bogotá, Medellín, Cali y Bucaramanga en el periodo de tiempo comprendido entre los años
2005 y 2016 utilizando en conjunto datos del OMI y datos obtenidos en superficie por las redes d
monitoreo de esas ciudades, con el fin de establecer relaciones entre estos y evaluar como el OMI
puede ser alternativa para la medición de NO2. Además, se busca encontrar las principales áreas
de contaminación de NO2 troposférico el país.
16
4. OBJETIVOS
4.1. Objetivo general
Analizar la distribución espacial y temporal del NO2 en cuatro áreas urbanas del territorio
colombiano mediante el uso de datos provenientes de estaciones de monitoreo de calidad de aire
y el instrumento de monitoreo de ozono (OMI) en el periodo de tiempo comprendido entre 2005
y 2016.
4.2. Objetivos específicos
Establecer correlaciones entre los datos de NO2 obtenidos por las redes de monitoreo de
Bogotá, Medellín, Cali y Bucaramanga y los provenientes del Instrumento de Monitoreo
de Ozono (OMI).
Analizar las tendencias de la variación temporal de NO2 en Bogotá, Medellín, Cali y
Bucaramanga, utilizando la información obtenida por las redes de monitoreo y el OMI.
Determinar las áreas críticas de NO2 en Colombia, mediante el uso de los datos
proporcionados por el OMI.
17
5. MARCO DE REFERENCIA
5.1. Antecedentes
Desde el año 2004 en el cual fue lanzado el satélite Aura al espacio, la información satelital ha
sido utilizada como alternativa para la caracterización del comportamiento de los contaminantes
atmosféricos como el NO2, con el fin de relacionar esta información con la obtenida en tierra, y
conocer información de lugares donde no se cuenta con datos en superficie. Entre los estudios
más relevantes encontramos:
Zyrichidou y M.E. Koukouli publicaron en 2013 una investigación cuyo objetivo principal era
evaluar las densidades de columnas de NO2 troposféricas simuladas y recuperadas por OMI en
Europa suroriental en conjunto con los promedios de las dos fuentes de datos que se emplearon
en el estudio de creación del inventario de emisiones en el año 2010. Sus resultados permitieron
establecer que el área de los Balcanes contribuye significativamente a la carga de NO2 en el aire
europeo y se concluyó que el OMI puede detectar la columna troposférica de NO2 sobre las
ciudades balcánicas contaminadas debido a su fina resolución horizontal y la sensibilidad a los
instrumentos.
Por otro lado, en este mismo año se realizó un estudio en Estados Unidos donde Wang y Chen
investigaron los sesgos asociados con las concentraciones de NO2 a nivel del suelo derivadas de
los datos del NO2 del OMI por medio de comparaciones con el modelo y los resultados de
monitoreo para el estado de California en el 2008. Las concentraciones medias de NO2 a nivel del
suelo se analizaron a partir del OMI usando el perfil de NO2 local obtenido de la simulación
GEOS-Chem1. Se concluyó que los resultados del modelado son esenciales para evaluar los
riesgos regionales de exposición a los contaminantes atmosféricos cuando se trabaja con la base
de datos de teledetección.
En cuanto a la evaluación de la distribución espacial y temporal del NO2 en una región en 2014,
Zia ul–Haq y Salman Tariq analizaron la variabilidad espacio-temporal de columnas troposféricas
verticales con promedios mensuales de NO2 sobre Pakistán utilizando el conjunto de datos OMI
1GEOS-Chem es un modelo de dispersión de contaminantes global, impulsado por observaciones meteorológicas de la NASA
18
(instrumento de monitoreo del ozono) de diciembre de 2004 a noviembre 2008. Los resultados
obtenidos mostraron una significativa variabilidad espacial y temporal de los valores de la
columna de NO2 en la región del estudio y permitieron establecer una tendencia creciente de
3.29% por año. Adicionalmente se pudo evidenciar que ciudades con características
climatológicas y poblacionales similares como Islamabad Rawalpindi, Lahore, Dera Ghazi Khan
y Karachi mostraron tendencias positivas de 44,10%, 23,48%, 31,40% y 32,32% por año
respectivamente. En torno a este aspecto, Deok–Rae Kim y Jae–Bum Lee, examinaron las
principales características de las concentraciones de NO2 en el Nordeste Asiático, utilizando los
datos del instrumento del OMI de 2005 a 2010. Ellos pudieron establecer que las concentraciones
medias anuales de NO2 aumentaron en China, excepto durante el período de los Juegos
Olímpicos de Beijing 2008, mientras que con las políticas de reducción de Corea del Sur y Japón
se han estancado o han disminuido. También pudieron evidenciar que el cambio estacional en las
concentraciones de NO2 mostró la tendencia aparente creciente en invierno y ninguna tendencia
significativa en verano.
Adicionalmente, se encontró un estudio de la evaluación de NO2 para Turquía utilizando
observaciones terrestres y de satélite publicado en 2016, donde las autoras Ecem Oner y Burcak
Kaynak buscaban evaluar las emisiones de NOx de los inventarios disponibles utilizando las
recuperaciones de NO2 por satélite para Turquía. Para ello se usaron las emisiones de NOx de
dos inventarios disponibles (EMEP y TNO) y se compararon entre sí, y también con las
recuperaciones del OMI NO2. Se encontraron coeficientes de correlación (R2) entre parámetros y
emisiones en el rango de 0,29-0,69 para ciudades seleccionadas de alta población. También se
procesaron las estaciones de observación de tierra del NO2 del paso superior de OMI NO2 y la
correlación entre estas observaciones para ciudades seleccionadas fue encontrada más alta en
verano y más baja en otoño e invierno. En los hallazgos mostraron que OMI es capaz de detectar
regiones contaminadas en Turquía, pero hay discrepancias entre OMI y NO2 terrestre
observaciones.
Para el caso de Latinoamérica, C. Rivera (2015) realizó una investigación donde se compararon
mediciones en superficie de NO2 realizadas mediante la técnica de espectroscopia óptica de
absorción diferencial (DOAS), con mediciones del instrumento satelital para la medición de
ozono (OMI) realizadas de 2006 a 2011. Las mediciones realizadas desde la superficie
19
presentaron grandes variaciones diarias y fueron en promedio tres veces más altas que las
columnas medidas desde el espacio. Los autores atribuyen la diferencia a la fuerte heterogeneidad
horizontal presente en la capa inferior de las columnas de NO2, las cuales fueron muestreadas por
el instrumento satelital a partir de un área extensa; de igual manera, esta discrepancia se atribuye
a la sensibilidad reducida del satélite cerca de la superficie, donde se encuentran las mayores
concentraciones. A partir de los datos del OMI analizados se reconstruyeron mapas de
distribución de NO2 sobre el centro de México, y se identificaron tres áreas principales de interés:
la zona metropolitana de la Ciudad de México, que fue el área predominante; la zona altamente
industrializada de Tula, al norte, y el valle de Cuernavaca, al sur. En este análisis se detectaron de
igual forma variaciones estacionales de columnas de NO2 sobre el centro de México: se
encontraron columnas más altas durante la estación fría y seca, seguidas por las de la estación
caliente y seca; las columnas más bajas se encontraron durante la época de lluvias. Como
resultado final, se evidenció el transporte de contaminación de este gas desde Tula hasta la
Ciudad de México, así como al Valle de Cuernavaca.
Finalmente, para el caso de Colombia, John Freddy Grajales y Astrid Baquero-Bernal
presentaron por primera vez el año 2014 mapas de concentración superficial de NO2 para el
territorio colombiano. Para lo cual se infirieron concentraciones superficiales de NO2 para 2007 a
partir de dos fuentes de datos de densidad de columna troposférica: 1) una simulación que utiliza
el modelo global tridimensional GEOS-Chem y 2) mediciones realizadas por el instrumento de
monitoreo del ozono (OMI). Los resultados muestran valores mensuales promedio de 0.1 a 6
ppbv. Se compararon las concentraciones superficiales de NO2 inferidas con mediciones in situ
corregidas y se encontraron coeficientes de correlación de hasta 0.91. Ellos pudieron concluir que
una fuente importante de NO2 es la quema de biomasa, la cual puede ser diagnosticada a partir de
los datos de potencia radiativa de los fuegos provenientes del re análisis para el monitoreo de la
composición atmosférica y el clima (MACC).
5.2. Marco teórico
5.2.1. Contaminación Atmosférica
La contaminación atmosférica es un fenómeno que cada vez genera mayor interés y preocupación
por parte de los gobiernos de todo el mundo, debido a las consecuencias que ha causado tanto en
la salud de las personas como en el comportamiento del clima del planeta. Esta se debe a la
20
presencia de gases y partículas sólidas o líquidas en la atmósfera, en concentraciones
suficientemente altas o por tiempos prolongados que pueden afectar negativamente la salud y el
bienestar de las personas, el clima, la vida de la flora y la fauna y otros componentes del medio
ambiente natural. Se puede presentar a nivel global, regional o local, en esta última escala
espacial, las emisiones de los contaminantes ocurren habitualmente en las zonas aledañas a los
sitios de monitoreo y se deben principalmente a actividades de tipo industrial y urbano. (IDEAM,
2016)
En general, para que las emisiones puedan tener efectos adversos a la salud, deben tener una línea
de proceso en la que se involucren la concentración del contaminante (masa por tiempo), la
fracción inhalada (masa inhalada por masa emitida) y la toxicidad (impacto a la salud por masa
inhalada), gracias a esto se puede establecer la relación característica entre la cantidad de
emisiones y los efectos a la salud. Los grupos más sensibles a los efectos adversos son los adultos
mayores, los niños y las personas con enfermedades pulmonares y cardiovasculares. (Tyler &
Acevedo, 2013)
Actualmente más del 90 % de la contaminación atmosférica se debe a una pequeña cantidad de
contaminantes, denominados primarios y producidos fundamentalmente por el consumo de
combustibles fósiles como el petróleo, gas natural y carbón. El transporte es uno de los
principales responsables de algunos de los riesgos ambientales y de salud que enfrentan muchas
ciudades en desarrollo. En el contexto europeo, el transporte relacionado con la salud y los
riesgos ambientales han sido un foco importante de diálogo conjunto de políticas desde hace más
de una década. En muchos países en desarrollo, como Colombia, los riesgos para la salud
relacionados con el transporte aún no han recibido una atención prioritaria, o aún no se han
llegado a efectuar las acciones políticas necesarias conjuntas en los ámbitos de la salud, el medio
ambiente y del transporte en general. (WHO, 2009)
Existen varios tipos de combustibles que generan emisiones que afectan a la salud; entre los más
comunes se encuentran la gasolina, el diésel y el gas natural vehicular (GNV). Las emisiones
producidas por los automotores no sólo se limitan a las que salen del tubo de escape, también hay
que tener en cuenta el escape de gas de los pistones que pueden generan monóxido de carbono o
hidrocarburos, el sistema de combustible donde las emisiones pueden emerger desde el
carburador, la entrada del aire de la inyección de combustión y el tanque de combustible,
21
emisiones producidas por el desplazamiento del automotor en una camino con polvo o material
particulado, el desgaste de los neumáticos que aportan a partículas suspendidas, entre muchas
otras. En los procesos de transporte se emiten esto contaminantes de diversas maneras, por
ejemplo, las emisiones de NO2 están relacionadas con la temperatura. El material particulado,
además de ser producto de la combustión, depende además de los desgastes del motor, el aceite
lubricante y la dilución. En términos de contaminación por CO para motores Diésel, como la
mezcla es pobre y consume menos combustible, va a producir menos CO y CO2 que un motor a
gasolina. El problema radica en la presencia de azufre en el combustible, sin embargo, ya se han
tomado medidas mundiales para erradicar el combustible con este elemento. (Tyler & Acevedo,
2013)
Los contaminantes criterio son aquellos para los cuales existen criterios, basados en la afectación
a la salud de la población, como fundamento para establecer niveles máximos permisibles en el
aire ambiente. En Colombia, la Resolución 610 de 2010 del entonces Ministerio de Ambiente,
Vivienda y Desarrollo Territorial, contempla siete contaminantes criterio, los cuales son
partículas suspendidas totales (PST), material particulado menor a 10 micrómetros (PM10) y
menor a 2,5 micrómetros (PM2.5), monóxido de carbono (CO), ozono (O3), óxidos de azufre
(SOx) y óxidos de nitrógeno (NOx). (IDEAM, 2016)
5.2.2. Dióxido de nitrógeno(NO2) y sus efectos
Los óxidos de nitrógeno (NOx) pueden presentarse en niveles significativos en ambientes
exteriores e interiores. Existen, a nivel atmosférico, una amplia variabilidad de compuestos
nitrogenados. El dióxido de nitrógeno (NO2) es una de las especies más abundantes de óxidos de
nitrógeno producidos por el hombre en áreas urbanas. Los óxidos de nitrógeno se generan en los
procesos de combustión y especialmente por el tráfico rodado. A su vez más del 50% de toda la
contaminación atmosférica se debe al uso de combustibles para el transporte automotor. (Stoker
& Seager, 1981)
El dióxido de nitrógeno (NO2) es un gas altamente reactivo, perteneciente al grupo de los óxidos
de nitrógeno. Este compuesto es un importante contaminante del aire, debido a las graves
consecuencias que tiene en altas concentraciones en la atmósfera y el riesgo que esto significa en
temas de salud pública.
22
El efecto principal de respirar en niveles elevados de dióxido de nitrógeno en exposiciones cortas,
es una mayor probabilidad de sufrir problemas respiratorios, ya que este, inflama el revestimiento
de los pulmones y puede reducir la inmunidad a las infecciones pulmonares, lo que puede
provocar tos, sibilancia o dificultad para respirar, además de un aumento en ingresos
hospitalarios. En exposiciones más prolongadas pueden contribuir al desarrollo del asma y
potencialmente aumentar la susceptibilidad a las infecciones respiratorias. Las personas con
asma, así como los niños y los ancianos generalmente tienen un mayor riesgo de los efectos del
NO2 sobre la salud.
En cuanto a los efectos ambientales que producen niveles elevados de óxidos de nitrógeno, se
encuentran:
La formación de lluvia ácida, al interactuar con el agua, el oxígeno y otras sustancias
químicas en la atmósfera lo que daña ecosistemas sensibles como lagos y bosques.
La promoción del smog fotoquímico, que disminuye la visibilidad, genera un impacto
paisajístico, y puede causar hasta muerte prematura.
La contaminación por nutrientes en aguas, como resultado del exceso de nitrógeno y
fósforo en el aire, que se deposita en el agua y afecta arroyos, ríos, lagos, bahías y aguas
costeras.
Promover la formación de O3 troposférico que en concentraciones elevadas puede
provocar daños en la salud humana, la vegetación y los ecosistemas, siendo además un
factor importante a considerar respecto al cambio climático.
El tiempo de exposición determina el alcance a la salud para las personas, un tiempo de
exposición corto (1 hora a 24 horas) tendrá un efecto inmediato en el aumento de problemas
respiratorios incluyendo inflamación de las vías respiratorias y el aumento de síntomas para las
personas que tienen asma. A largo plazo, con la formación de partículas que se ubican en todo el
tracto respiratorio, pueden aumentar problemas cardiovasculares, bronquitis, asma y muerte
prematura para la población más vulnerable. (Tyler & Acevedo, 2013)
5.2.3. Monitoreo de la calidad del aire
El monitoreo de la calidad del aire se ha convertido en nuestros días en uno de los ejes tanto de
regulaciones ambientales como de conciencia ambiental. El monitoreo de calidad de aire tiene
23
dos características principales: Los equipos requeridos tienen que tener un método de referencia
de medición y por otro lado los tiempos de medición son continuos y de gran magnitud.
Al año 2015, Colombia contaba con 21 Sistemas de Vigilancia de la Calidad del Aire, en adelante
(SVCA), de diferentes características y alcances, los cuales estaban administrados por igual
número de autoridades ambientales. Estos SVCA totalizaron 163 estaciones de monitoreo en
2015, cuyas características son variadas en cuanto a su tecnología de medición (manual,
semiautomática o automática), su objetivo (medición de vía, de concentración de fondo, de zonas
industriales o mineras, etc.) y los contaminantes monitoreados. Desde 2011 la proporción de
estaciones automáticas ha estado en aumento progresivo, lo cual demuestra el interés a nivel local
por fortalecer tecnológicamente los SVCA.
En cuanto al número de estaciones que monitorearon los contaminantes criterio entre los años
2011 y 2015, se evidencia una predominancia para el PM10, el cual con frecuencia excede los
niveles máximos permisibles, establecidos en la normatividad nacional. Con el paso de los años,
el PM2.5 ha aumentado su monitoreo, teniendo en cuenta sus efectos aún más adversos sobre la
salud de la población. (IDEAM, 2016)
Sin embargo, otros contaminantes como el NO y el NO2 aún no se miden con mucha frecuencia.
Estos, al ser de los contaminantes más importantes a nivel atmosférico, son de gran interés y así
mismo su medición, principalmente en las ciudades más industrializadas y con mayor circulación
de tráfico vehicular. Al año 2015, tan solo siete SVCA con 35 estaciones, midieron Dióxido de
Nitrógeno, según lo establece el Informe del estado de la Calidad del Aire en Colombia 2011-
2015 publicado por el IDEAM., distribuidas de la siguiente manera:
Tabla 1. Estaciones de medición de NO2 por SVCA
Sistema de Vigilancia de Calidad del Aire (SVCA) Estaciones
Área Metropolitana del Valle de Aburra (AMVA) 9
Corporación Autónoma Regional de Cundinamarca (CAR) 13
Corporación Autónoma Regional para la Defensa de la Meseta de Bucaramanga (CDMB) 2
Corporación Autónoma Regional de Antioquia (CORANTIOQUIA) 1
Departamento Administrativo de Gestión del Medio Ambiente (DAGMA) 1
Secretaria Distrital de Ambiente (SDA) 8
TOTAL 34
Fuente: Autores
24
Para la medición de NO2, las estaciones usan analizadores que se basan en el principio de
quimioluminiscencia, que para el NO2 consiste en provocar la reacción del monóxido de
nitrógeno con el ozono para formar dióxido de nitrógeno. Para ello el aire que es succionado por
el analizador desde el medio ambiente, es filtrado y dividido en dos líneas de flujo, cada uno de
las cuales llega a una respectiva cámara. En una de las líneas de flujo la muestra de aire filtrado
no sufre ningún tipo de sometimiento a energías radiantes, ni a agentes químicos, es decir, que
correspondería al valor blanco o testigo. En la segunda línea de flujo, se incita a la reducción del
NO2 a NO mediante acción catalítica. La primera línea de flujo llega a una cámara de reacción,
donde se determina la concentración total de NOx, y la segunda, finaliza en una cámara de
reacción diferente a la anterior donde se determina la concentración de NO. La concentración de
NO2 es obtenida por la diferencia matemática entre las concentraciones de NOx y NO (MAVDT,
2008).
5.2.4. Medición de contaminantes atmosféricos mediante sensores remotos
Otras alternativas para la medición de contaminantes atmosféricos, como el NO2, son los
dispositivos de percepción remota. Estos hacen parte de todo un conjunto de estudios,
metodologías y herramientas que permiten observar y obtener información del planeta (desde el
espacio), sin estar en contacto directo con la superficie.
Este conjunto de herramientas involucra distintos elementos, que interactúan entre sí, con el fin
de que el usuario final pueda tener acceso a la información. Para ello se lleva a cabo un proceso
de recepción y transformación, como se aprecia en la Figura 1:
Figura 1. Proceso medición satelital Fuente: Autores
25
1. Establecer una fuente de energía o iluminación, que se encargará de proveer energía
electromagnética al objeto de interés.
2. Después la energía viaja del sensor al objeto de interés y antes de llegar, interactúa con la
atmosfera.
3. Cuando llega al objeto interaccionan y dependiendo de las propiedades de este se da la
respuesta a la energía recibida, reflejándola de nuevo hacia el sensor.
4. Posteriormente el sensor remoto, que se encuentra en un satélite, recoge y graba la radiación
electromagnética reflejada o emitida por el objeto y la atmósfera.
5. La energía grabada por el sensor se transmite a una estación receptora, en donde los datos se
procesan y son convertidos a imágenes digitales.
6. Después se interpreta la imagen para extraer la información de los objetos captados.
7. Finalmente el usuario final le da una aplicación a la información extraída de las imágenes
para un mejor conocimiento de los objetos de interés. (NASA, 2011)
5.2.4.1. Medición NO2 con el instrumento de monitoreo de ozono (OMI)
Puntualmente, para la medición del NO2 desde el espacio existe el instrumento de monitoreo de
ozono (OMI). Este instrumento es una contribución de la Agencia Neerlandesa de Programas
Aeroespaciales (NIVR) en colaboración con el Instituto Meteorológico Finlandés (FMI) a la
misión Aura, que fue lanzada al espacio a finales del año 2004 por la Administración Nacional de
la Aeronáutica y del Espacio (NASA). Adicionalmente, el satélite Aura cuenta con otros tres
instrumentos para la medición de diferentes variables atmosféricas. Las mediciones el OMI son
altamente sinérgicas con los otros instrumentos del satélite.
El instrumento OMI continua con el registro del instrumento del Espectrómetro Total de Mapeo
de Ozono (TOMS) de la NASA y del instrumento del Experimento de Monitoreo Global del
Ozono (GOME) de la Agencia Espacial Europea, para el ozono total y otros parámetros
atmosféricos relacionados con la química del ozono y el clima . En este sentido, el OMI puede
distinguir entre tipos de aerosoles, como humo, polvo y sulfatos, además mide la presión y la
cobertura de la nube y algunos contaminantes criterios como son O3, NO2, SO2 y aerosoles.
El OMI es un instrumento que mide la radiación solar dispersada por la atmósfera y la superficie
de la Tierra. Allí la luz que entra al instrumento, se divide en dos canales: el canal Ultravioleta
UV (rango de longitud de onda 270 - 380 nm) y el canal visible VIS (rango de longitud de onda
26
350 - 500 nm), cubriendo longitudes de onda de 270 a 500 nm. Por otro lado el OMI cuenta con
una resolución espectral de aproximadamente 0,5 nm y una resolución espacial cuyo tamaño de
pixel equivale a 13 km × 24 km y en modo de zoom, se puede reducir a 13 km × 12 km. El
pequeño tamaño de píxel permite a OMI mirar entre las nubes, lo cual es muy importante para
recuperar información troposférica. Adicionalmente su ángulo de visión de 114 ° que
corresponde a una franja de 2600 km de ancho en la superficie, permite mediciones con una
cobertura global diaria. Este instrumento pasa sobre cada región entre las 13:30 y las 13:50 hora
local y tarda otras dos horas y media antes de que los datos hayan sido recibidos y procesados,
por tanto las mediciones están disponibles alrededor de las 16:10 hora local
Para la medición de NO2, el OMI aprovecha el espectro de absorción característico de este
compuesto, que varía entre 400 y 470 nm y calcula la cantidad de moléculas de NO2 presentes en
la columna troposférica mediante algoritmos de recuperación que evalúan en que cantidad las
moléculas absorben la radiación en este espectro obteniendo como unidades moléculas/cm2.
(NASA, 2017)
5.2.5. Correlación de Spearman
La correlación de Spearman, es un método estadístico no paramétrico, es decir que no existe una
distribución normal, puesto que la distribución muestral no se ajusta a una distribución conocida,
que pretende examinar la intensidad de asociación entre dos variables cuantitativas. (Diaz,
Garcia, León, Ruiz, & Torres, 2014). Igual que la correlación de Pearson, el análisis de Spearman
permite obtener un coeficiente de correlación, que varía entre 0 y 1, de acuerdo al nivel de
asociación presentado por las variables, siendo 0 el menor nivel de asociación y 1 el mayor.
Esta correlación organiza en vez de los valores de las variables, sus rangos, así para la estimación
del coeficiente según Camacho (2008) se debe:
• Asignar rangos en la variable X y en la variable Y, de manera independiente.
• Determinar la diferencia entre los rangos (di).
• Elevar al cuadrado cada di y luego sumar los resultados, para reemplazar en la siguiente
fórmula:
27
𝑟𝑠 = 1 −6∑ 𝑑𝑖
2𝑛𝑖=1
𝑛3 − 𝑛
En donde n es el número de casos (p. 144).
La interpretación de los valores se ha expresado por diversos autores en escalas, siendo una de las
más utilizadas la que se presenta a continuación (Hernández & Fernández, 1998):
Tabla 2. Grado de relación según coeficiente de correlación
Rango Relación
0.00 No existe correlación
0.01 a 0.10 Correlación débil
0.11 a 0.50 Correlación media
0.51 a 0.75 Correlación fuerte
0.76 a 0.90 Correlación muy fuerte
0.91 a 1.00 Correlación perfecta Fuente: Hernández & Fernández
5.2.6. Análisis series de tiempo
Una serie de tiempo es un conjunto ordenado de valores asociados con una variable de dominio t,
cuyo valor nunca decrece o permanece constante, (Nava, 2013). Estos valores generalmente
corresponden a observaciones medidas en determinados momentos del tiempo, ordenados
cronológicamente y, espaciados entre sí de manera uniforme.
En una serie de este tipo existen cuatro tipos básicos de variación que pueden contribuir a que los
cambios en un periodo de tiempo tengan un aspecto errático. Estas variaciones suelen estar
sobrepuestas o actuando en simultaneo. En este sentido, se puede definir una serie de tiempo
como:
𝑋𝑡 = 𝑇𝑡 + 𝐸𝑡 + 𝐶𝑡 + 𝐼𝑡
Dónde:
Tt es la componente tendencial, que constituye el crecimiento o decrecimiento de que se produce
en relación al nivel medio de la serie a largo plazo. Et corresponde a la componente estacional,
que son esas variaciones que las series presentan con cierta periodicidad. Ct es la componente
cíclica, que son fluctuaciones que se comportan en forma de onda o ciclos que presentan algunas
28
series de tiempo. Y por último, It se puede definir como la componente aleatoria que no responde
a ningún patrón de comportamiento, sino que es el resultado de factores aleatorios o externos que
inciden de forma aislada en una serie de tiempo. De estos componentes los tres primeros son
componentes determinísticos, mientras que la última se podría entender como el ruido que tiene
la serie. (Villavicencio, 2015)
El análisis de las series de tiempo se puede llevar a cabo con el conjunto total de datos, sin
embargo en muchas ocasiones se realiza el análisis por separado de cada una de sus
componentes. Es por esta razón que este tipo de análisis implica la descomposición de las series
de tiempo y de él se obtener conjuntos de datos cuya visualización aparezca con menos
interferencias.
Sin embargo, esta no es la única manera de realizar el análisis de una serie de tiempo, cuando se
requiere un análisis más profundo de los datos se suelen llevar acabo análisis de frecuencias o
análisis de espectro.
El análisis de espectros que se define como la transformación de una señal de la representación
en el dominio del tiempo hacia la representación en el dominio de la frecuencia. Este análisis
permite observar una señal desde otro ángulo, usando un sistema de referencia diferente al usual.
El teorema de Fourier es de gran utilidad para realizar este tipo de análisis puesto que se basa en
representar funciones matemáticas en términos de senos y cosenos de distintas frecuencias. Esta
se basa en una señal de tiempo que es periódica, es decir, que su forma se repite en una cantidad
infinita de veces
El teorema de Fourier define que cualquier función f(t) se puede representar por la serie infinita:
Donde aj y bj son constantes y T es un periodo finito sobre el que la serie de Fourier converge y
representa repeticiones de f(t).
Generalmente, cuando se realiza el análisis de frecuencia de una serie de tiempo se obtienen los
coeficientes de Fourier aplicando:
29
Por otro lado, también es muy utilizada la transformada de Fourier (F(s)) que se define como:
Donde se obtiene una función con un dominio en s, que tiene unidades inversas a T.
En síntesis, la transformada de Fourier extiende el análisis que se le puede hacer a una serie de
tiempo y permite su síntesis en términos de sinusoidales o más específicamente de frecuencia.
(Nava, 2013)
5.3. Marco legal
En Colombia, diversas instituciones del sistema nacional ambiental (SINA), han expedido
normas asociadas a la protección del medio ambiente y el recurso atmosférico, en cabeza del
Ministerio de Ambiente y Desarrollo Sostenible (MADS). En la siguiente tabla se compila la
legislación pertinente y aplicable a este proyecto:
Tabla 3. Normatividad asociada a la investigación
Norma Entidad Descripción
Resolución 601 de
2006
Ministerio de
Ambiente, Vivienda y
Desarrollo Territorial
Establece la norma de Calidad de Aire o
Nivel de Inmisión, para todo el territorio
nacional en condiciones de referencia.
Allí se expone la estructura de los
programas de reducción de la
contaminación del aire y de los niveles
de prevención, alerta y emergencia
Resolución 910 de
2008
Ministerio de
Ambiente, Vivienda y
Desarrollo Territorial
Reglamenta los niveles permisibles de
emisión de contaminantes que deberán
cumplir las fuentes móviles terrestres y
30
clasifica las mismas de acuerdo a su
tamaño y capacidad.
Resolución 610 de
2010
Ministerio de
Ambiente, Vivienda y
Desarrollo Territorial
Modifica la Res. 601 de 2006 en: la
definición de condiciones de referencia,
contaminación atmosférica, episodio o
evento y media móvil, los máximos
permisibles de contaminantes criterio,
los valores permisibles de contaminantes
no convencionales con efectos
carcinógenos y especifica que los
procedimientos de medición de calidad
del aire deberán corresponder a los
elaborados por el IDEAM.
Resolución 651 de
2010
Ministerio de
Ambiente, Vivienda y
Desarrollo Territorial
Crea el subsistema de Información sobre
Calidad del Aire – SISAIRE, como
fuente principal de información para el
diseño, evaluación y ajuste de las
políticas y estrategias nacionales y
regionales de prevención y control de la
contaminación del aire.
Resolución 6892
de 2011
Secretaria Distrital de
Ambiente
Establece los límites máximos
permisibles para emisiones a la
atmósfera, provenientes de fuentes fijas
de combustión y estándares de emisión
admisibles de contaminantes al aire para
procesos productivos
Resolución 2254
de 2017
Ministerio de Ambiente
y Desarrollo Sostenible
Establece la norma de calidad del aire o
nivel de inmisión y adopta niveles
máximos permisibles a partir del 1 ° de
enero de 2018, a 2030, y de prevención,
alerta y emergencia, además de
establecer rangos para el Índice de
Calidad del Aire (ICA).
31
6. METODOLOGIA
Para realizar esta investigación, se ejecutaron 6 fases que se presentan en la siguiente figura:
Figura 2. Diagrama de flujo Metodología
Fuente: Autores
MODELO IDW
32
6.1. Determinación de variables espacio y tiempo
En esta fase del proyecto se delimitó el alcance a nivel temporal y espacial del mismo y se
estableció la manera en la que se abordaría el estudio de acuerdo a lo encontrado en la
bibliografía.
6.1.1. Periodo de tiempo
Se estableció que el estudio se realizaría para el periodo de tiempo comprendido entre los años
2005 y 2016, teniendo en cuenta las características y la disposición de los datos con los que se
trabajó.
6.1.2. Áreas de estudio
Para realizar el estudio se utilizaron datos provenientes de dos fuentes distintas, la primera el
OMI y la segunda los SVCA, por esta razón, la determinación de cuál sería el alcance espacial
del proyecto se efectuó teniendo en cuenta la disponibilidad de información.
En cuanto a los datos provenientes del OMI se decidió que se tendrían en cuenta los datos
reportados por el satélite en las ciudades capitales de los 32 departamentos de Colombia y
algunos municipios intermedios importantes.
Por otro lado, los datos provenientes de los SVCA a utilizar son los pertenecientes a las redes de
monitoreo de las ciudades de Bogotá, Medellín, Cali y Bucaramanga debido a que estas son las
únicas que han reportado datos de NO2; adicionalmente, los periodos de tiempo en los que se
hizo el análisis de estos datos depende de los años en los que cada red de monitoreo haya
reportado el contaminante. En la Tabla 4 se presentan las estaciones y los periodos de tiempo en
que se reportaron los datos utilizados para realizar el estudio:
Tabla 4. Estaciones utilizadas por SVCA
SVCA Estación
Periodo
de
tiempo
SVCA Estación
Periodo
de
tiempo
Bogotá (SDA)
Carvajal
2005-
2016 Medellín
(AMVA)
U. San
Buenaventura 2012-
2015 Guaymaral U. Nacional
Kennedy Centro
Las Ferias Politécnico
33
Parque
Simón
Bolívar
Jaime Isaza
Cadavid
Puente
Aranda U. Nacional
Facultad de
Minas Suba
Cali (CVC) Universidad
del Valle
2013-
2015 Sur
Bucaramanga
(CDMB)
Centro 2005-
2006
Secretaria de
Medio
Ambiente
Chimita
Norte
Fuente: Autores
6.2. Obtención de datos
6.2.1. Datos provenientes del OMI
Para este caso se descargaron los datos de columna troposférica de NO2 del OMI para las 32
ciudades capitales de Colombia en el periodo de tiempo seleccionado. Cómo primer paso para
descargar los datos, se utilizó el servidor Google Maps para seleccionar un cuadrante
georreferenciado que abarcará toda la extensión de cada ciudad como el que se muestra en la
Figura 3, este permitirá tener coordenadas geográficas sur, oeste, norte y este.
Figura 3. Método para elección de cuadrante por ciudad Fuente: Autores
Las coordenadas para cada ciudad de la que se obtuvieron datos se presentan en el Anexo 1.
Una vez definidos los cuadrantes por ciudad se ingresa a la interface web GIOVANNY,
(plataforma web de la NASA), que permite bajar los datos del satélite de manera gratuita. Para
34
descargar la información desde la plataforma se deben especificar las variables que se encuentran
subrayadas en la Figura 4. Para el caso de este estudio las opciones ingresadas fueron las
siguientes:
1. Select Plot: “Time series: Area-Average”
2. Select Date Range: “2005-01-01” to “2016-12-31”.
3. Select Region: Las coordenandas obtenidas de cada cuadrante
4. Select Variables: “NO2 tropospheric Column”
Figura 4. Descarga de datos desde la plataforma GIOVANNI Fuente: Autores
Finalmente, se descargaron los datos diarios para las 32 ciudades capitales de Colombia en el
periodo de tiempo del estudio; es importante resaltar que los datos obtenidos equivalen al
promedio de columna troposférica de NO2 en el cuadrante especificado cuando la cobertura
nubosa es menor al 30%, que sus unidades son moléculas/cm2.
Los datos provenientes del OMI que se utilizaron en el estudio se presentan en el Anexo 2.
6.2.2. Datos provenientes de la red
Se recopilaron los datos provenientes de las redes de calidad de aire, para ello se solicitó
información de las estaciones mencionadas en el numeral 6.1.2 al IDEAM. Además de la
información de NO2, reportados en unidades de ug/m3, se solicitaron datos de velocidad del
viento en m/s y radiación solar global W/m2 ya que son las variables meteorológicas que más
inciden en el comportamiento del NO2. Los datos recopilados en esta fase se encuentran en el
Anexo 3.
35
6.3. Tratamiento de datos
A lo largo del desarrollo de las fases del proyecto lo datos fueron sometidos a diferentes
tratamientos, el primero de ellos se lleva a cabo después de la obtención de los datos. Con
respecto a la información proveniente de las redes de monitoreo y se realizó un promedio diario
para cada ciudad teniendo en cuenta todas las estaciones de la que se tiene información.
Adicionalmente, se filtraron los datos horarios, seleccionando los de las 2:00 p.m., (debido a que
el satélite pasa a esa hora por Colombia) y se les realizo el mismo proceso antes descrito.
Por otra parte, para el caso de la información satelital se descartaron los datos no válidos, que en
este caso son los que presenten un valor negativo o el valor asignado por defecto por el OMI
cuando no puede realizar la medición, que corresponde a -1.26e+30 moléculas/cm2 y se realizará
la estimación del porcentaje de datos válidos que se tendrá por ciudad.
Es importante aclarar que no es necesaria la conversión de unidades de los datos provenientes del
OMI, moléculas/cm2 a ug/m3, ya que en las fases que se ejecutaron solo se tienen en cuenta las
magnitudes.
6.4. Correlación de datos
En esta fase se busca encontrar cual es la mejor correlación que puede existir entre los datos
terrestres y los datos del satélite de las ciudades de Bogotá, Medellín, Cali y Bucaramanga. Se
decidió utilizar el modelo de correlación de Spearman, debido a que es un metodo estadístico no
paramétrico que permite trabajar con unidades diferentes, pues solo tiene en cuenta el orden de
magnitud en el que se presentan los datos. Allí se realizaron correlaciones simples, y
correlaciones parciales con control de una y dos variables, debido a que no se contaba con
investigaciones previas que mostraran criterios bajo los cuales se obtuvieran mejores coeficientes
de correlación.
Los resultados obtenidos en esta fase se derivaron del uso del lenguaje R. Para realizar las
correlaciones se utilizó el comando: “method=spearman”, y para los diagramas de dispersión
se emplearon los paquetes openair y ggplot2. El uso de estas herramientas sirvió para generar
diferentes correlaciones que se explicaran a continuación.
36
6.4.1. Correlaciones simples
Las correlaciones simples que se realizaron se denominan así debido a que en estas se contrastan
los datos directamente, sin tener en cuenta alguna otra variable. En consecuencia, se realizó una
nueva filtración de datos donde, se tuvieron en cuenta solo aquellas situaciones donde se
encontrara el dato tanto en la información del OMI como en la proveniente de las redes de
monitoreo. Cuando falten los dos datos o alguno de los dos para el mismo día este será
descartado simultáneamente.
En esta etapa se obtuvieron correlaciones en cuatro casos, que dependieron de los datos utilizados
en cada una. En la siguiente tabla se presentan los datos que se tuvieron en cuenta para cada una
de ellas:
Tabla 5. Datos empleados por caso de correlación
Caso Tipo de datos
1 Datos diarios
2 Datos 2 p.m.
3 Datos diarios por estación*
4 Datos 2 p.m. por estación*
Fuente: Autores
*En estos casos se llegó a una correlación por cada estación de la que se obtuvieron datos.
Finalmente, los resultados encontrados en esta fase servirán para tomar la decisión de que datos
utilizar en las fases siguientes del proyecto.
6.4.2. Correlación parcial con una variable
En este tipo de correlación se contrastan los datos teniendo en cuenta una variable externa, para el
caso del proyecto se tuvieron en cuenta las variables meteorológicas que influyen en la química
atmosférica del NO2, puntualmente la velocidad del viento y la radiación solar global. En el caso
de estas correlaciones no se tuvo en cuenta la ciudad de Bucaramanga, debido a que no se tenían
datos de las variables meteorológicas mencionadas anteriormente.
Las estaciones de las cuales se extrajeron los datos para radiación solar global y velocidad del
viento se presentan en la Tabla 6.
37
Tabla 6. Estaciones usadas para análisis de radiación y velocidad del viento
SVCA Estación SVCA Estación
Bogotá
(SDA)
Guaymaral
Medellín (AMVA)
Centro
P. Simón Bolívar Politécnico Jaime Isaza
Cadavid
Kennedy U. Nacional
Tunal Cali (CVC) U. del Valle
Fuente: Autores
Para poder realizar este procesamiento se realizó un nuevo tratamiento de datos donde se tuvieron
en cuenta las dos variables mencionadas anteriormente. En las dos situaciones se decidió
clasificar los datos en grupos donde las variables presentaran valores bajos, medios o alto, y se
obtuvo un valor de correlación para cada caso.
Con respecto a la radiación solar, no existe una escala o clasificación oficial, ya que esta depende
de factores como la latitud y puede presentar variaciones considerables de acuerdo a su ubicación
geográfica. Debido a lo anterior se decidió establecer los rangos dividiendo los datos que se
tenían en cuartiles, definiendo que el rango bajo serán los datos encontrados en el primer cuartil
(<25%), el rango medio, los datos encontrados entre el segundo y tercer cuartil (≥25% a ≤75) y
el rango alto los datos encontrados en el cuarto cuartil (>75%), los rangos establecidos fueron:
Tabla 7. Clasificación establecida para radiación solar
RADIACIÓN RANGO (W/m2)
Baja 100-449
Media 450- 749
Alta 750-1100 Fuente: Autores
Para la velocidad del viento, se realizó la clasificación teniendo en cuenta la escala de Beaufort y
sus cuatro primeros grados, estableciendo para el estudio la siguiente clasificación:
Tabla 8. Clasificación establecida para velocidad del viento
VELOCIDAD RANGO (m/s)
Baja 0.4 – 1.7
Media 1.8 – 3.2
38
Alta 3.3 – 5.0 Fuente: Autores
6.4.3. Correlación parcial con dos variables
Para establecer correlaciones que permitieran observar la incidencia de las variables
meteorológicas en el campo del estudio, se decidió realizar correlaciones parciales teniendo en
cuenta dos variables al mismo tiempo. Para el caso del proyecto se tuvieron en cuenta las
variables presentadas en el ítem anterior, pero esta vez en conjunto, obteniendo un total de 9
correlaciones distintas para cada ciudad. En otras palabras, se cruzaron eventos específicos y se
obtuvieron valores de correlación para cada uno de ellos.
6.5. Análisis de series de tiempo
Esta fase se dividirá en diferentes actividades que tienen como fin realizar el análisis de las series
de tiempo que se obtendrán de los datos provenientes del OMI como de las redes de monitoreo,
para las ciudades de Bogotá, Medellín, Cali y Bucaramanga. Para ello se utilizaron los paquetes
Rcurl y forescast especializados en el análisis de series de tiempo y pertenecientes a Project R,
así mismo se empleó un nuevo tratamiento de los datos con el fin de tener estos en tres
frecuencias diferentes: mensual, semanal y diaria.
En este sentido, para poder hacer las siguientes actividades se debían completar los datos
faltantes, por lo cual se empleó la función de r na.interp que aplica una interpolación lineal a los
datos des-estacionalizados y posteriormente les agrega un componente estacional. Sin embargo,
la cantidad de datos completados se tendrá en cuenta en el análisis posterior.
6.5.1. Concentración de NO2 vs Norma de Calidad del aire
Se realizó el análisis de la evolución del NO2 con respecto a la Resolución 601 de 2006 y a la
Resolución 610 de 2010, ya que estas se encontraban en vigencia durante los años objeto de
estudio. Para ello, se tuvieron en cuenta los datos provenientes de las redes de monitoreo de las
ciudades estudiadas y se utilizó una gráfica que permitiera evidenciar el comportamiento del NO2
con respecto a la norma. En esta etapa no se tuvieron en cuenta los datos completados
anteriormente.
39
6.5.2. Análisis de evolución de NO2
Esta etapa del proyecto consistió en comparar las series de tiempo de frecuencia mensual tanto de
los datos del OMI como de los datos de las redes, generando gráficas con dos ejes “y” distintos,
donde se podía observar si existía un comportamiento similar en algún momento.
6.5.3. Descomposición de series de tiempo
Para generar un análisis más profundo de las series de tiempo se realizó la descomposición de las
mismas, generando información sobre sus componentes de tendencia, estacionalidad y ciclicidad.
En cuanto a esto, en esta etapa se tuvieron en cuenta las series de tiempo de frecuencias
mensuales y semanales y se compararon los comportamientos. Así mismo, se generaron gráficas
con dos ejes “y” que presentaban la estacionalidad mensual teniendo en cuenta series de tiempo
mensuales, semanales y diarias, permitiendo así su mejor comparación.
6.5.4. Análisis de frecuencias
En esta fase del proyecto se llevó a cabo un análisis de frecuencias de las series de tiempo para
los datos mensuales, semanales y diarios. Este análisis permite descomponer las series de tiempo
en senos y cosenos generando diferentes frecuencias y amplitudes, con lo que se buscó poder
evidenciar las señales que se presentaban de forma predominante y aquellas que solo implicaban
ruido para los datos, sin tener en cuenta el componente temporal.
Adicionalmente, realizar este análisis con datos que se presentan en diferentes frecuencias de
tiempo, permitió poder establecer cuál de ellas es la mejor para poder relacionar los datos entre
sí.
Para generar esta fase se utilizando la función spectrum que permite estimar la densidad espectral
aproximada de una serie de tiempo teniendo en cuenta las frecuencias generadas con la
transformada de Fourier.
6.6. Análisis distribución espacial
En esta fase se realizó el análisis de la distribución espacial de NO2 en Colombia utilizando los
datos provenientes del OMI. Para esta etapa también se necesitó de un nuevo tratamiento de
datos, en el que se obtuvo el promedio por año de los datos que se tienen para cada ciudad y que
se encuentran en el Anexo 4.
40
Se decidió realizar el análisis de la distribución espacial del contaminante a escala departamental
debido a que las ciudades de Bogotá y Cali no tienen un área urbana legalmente constituida y a
que la extensión de las áreas urbanas de Medellín y Bucaramanga no permite que se evidencien
diferencias en la concentración del contaminante por la resolución que tiene el OMI. Para los
departamentos de Cundinamarca, Antioquia, Valle del Cauca y Santander, se tuvieron que
obtener datos provenientes del OMI en los municipios más importantes de cada uno de ellos.
Posteriormente, se generaron mapas de distribución del NO2 tanto en Colombia como en los
departamentos ya mencionados mediante la herramienta ArcGIS y el modelo IDW.
Finalmente, se busca observar de forma espacial las ciudades que presentan mayores
concentraciones de NO2 tanto a nivel Nacional como a nivel departamental, cuáles serían los
puntos más críticos, cuáles las regiones más afectadas y cuál es la evolución en el tiempo que esta
tenido.
41
7. DESCRIPCIÓN GENERAL DE LAS ZONAS DE ESTUDIO
7.1. República de Colombia
En las últimas décadas la actividad industrial y el consumo de combustibles fósiles, asociado a
actividades como el transporte, ha aumentado la emisión de contaminantes a la atmosfera,
provocando en algunas ciudades problemas de salud pública. Ante ello algunas ciudades han
instalado SVCA, con el fin de monitorear los contaminantes. Uno de ellos es el NO2, el cual es
medido en las siguientes ciudades y departamentos:
Bogotá D.C.
Medellín y su área metropolitana
Antioquia
Bucaramanga
Cali
Cundinamarca
Estos sistemas se distribuyen espacialmente como presenta la Figura 5.
Figura 5. Estaciones de NO2 por SVCA en Colombia
Fuente: Autores
42
7.2. Bogotá D.C. y su área urbana
Bogotá es la capital y ciudad más grande y poblada de Colombia. Cuenta con una privilegiada
ubicación geográfica, lo que la convierte en el epicentro de la actividad industrial, administrativa,
económica y financiera del país. Conforma el área urbana más grande de Colombia, la cual está
integrada por los municipios de Chía, Cajicá, Cotá, Zipaquirá, Tocancipá, Gachancipá, Sopó, La
Calera, Tabio, Tenjo, Facatativá, Funza, Madrid, Mosquera, Soacha y Sibaté.
La Sabana de Bogotá se encuentra a una altura promedio de 2600 msnm y se caracteriza por un
régimen de lluvias bimodal, donde las temporadas secas y húmedas se alternan a lo largo del año.
Los meses más secos son los de enero, febrero, marzo y diciembre; y los más lluviosos son abril,
mayo, septiembre, octubre y noviembre. La temperatura media es de 14º C, pero puede variar
desde los 2ºC en horas de la madrugada, hasta los 22ºC en horas de la tarde. La humedad relativa
es de aproximadamente el 80%.
A nivel industrial y manufacturero, según la Encuesta Nacional Manufacturera de 2016, Bogotá y
su área metropolitana concentraron respectivamente el 34,6% y el 41,3% del total de
establecimientos en el país, caracterizado principalmente por la elaboración y procesamiento de
plásticos, textiles, químicos, metalmecánica, gaseosas, tabaco, concentrados e industrias
alimenticias.
Con respecto a la flota vehicular en Bogotá, se encontró que para 2017 circularon por Bogotá
2’182.578 vehículos, y que desde 2007 se ha triplicado el número de automotores en Bogotá,
como se muestra en la gráfica:
43
Figura 6. Parque automotor Bogotá Fuente: Autores
Para la medición de la calidad del aire en este lugar, se encuentra la Red de Monitoreo de Calidad
del Aire de Bogotá (RMCAB), que cuenta con 13 estaciones en la actualidad, de las cuales 7
miden NO2. Estas son: Carvajal, Guaymaral, Kennedy, Las Ferias, Parque Simón Bolívar, Puente
Aranda y Suba.
Figura 7. Estaciones de Monitoreo de NO2 en Bogotá Fuente: Autores
7.3. Medellín y su área urbana
Medellín es la segunda ciudad más importante y poblada del país. Capital del Departamento de
Antioquia, se ubica al noroccidente de Colombia, en el área geográfica conocida como el Valle
del Aburra, nombre que recibe esta área metropolitana, constituida legalmente desde el año 1980
y conformada junto con Medellín por los municipios de Barbosa, Copacabana, Caldas, Girardota,
Bello, Itagüí, Envigado, Sabaneta y La Estrella. Este valle se extiende en dos tramos, uno de
cerca de 30 Km de longitud, con un ensanchamiento de 7 Km que va desde Caldas hasta Bello y
otro más estrecho orientado al nororiente que va desde Bello a Barbosa y mide 35 Km. La
precipitación en el Valle de Aburra, está influenciada por los vientos alisios, cuyo recorrido es
44
modificado por la topografía de la región; se presentan dos épocas lluviosas centradas hacia los
meses de Abril y Octubre. La temperatura media es de 22º C y tiene una humedad relativa del
70%.
Con respecto a la actividad industrial, el área metropolitana del Valle del Aburra (AMVA)
concentra el 19,4% del total de establecimientos en el país, con mayor participación de textileras,
sustancias y productos químicos, y fabricación de alimentos y bebidas. Adicionalmente, según
datos de la secretaria de movilidad de Medellín, se encontró que a noviembre del 2017 se
encuentran matriculados 273.773 vehículos discriminados de la siguiente manera:
Figura 8. Parque automotor Medellín Fuente: Secretaria de Movilidad de Medellín
El AMVA cuenta con una red de monitoreo administrada por el Sistema de Alerta Temprana de
Medellín y el Valle del Aburra (Siata), que en la actualidad cuenta con 18 estaciones, de las que 9
miden NO2, siendo estas la Universidad San Buenaventura (BEL-USBV), Universidad Nacional
de Colombia (MED-UNNV), Centro (MED-MANT), Politécnico Jaime Isaza Cadavid (MED-
PJIC), Casa de Justicia Itagüí (ITA-CJUS), Universidad Nacional Facultad de Minas (MED-
MNFM), Sur (SUR-TRAF), Secretaria de Medio Ambiente, Institución ITM Robledo (MED,
ITMR) y una estación móvil adicional en el metro en La Estrella, localizadas a lo largo del Valle
de Aburra, como muestra la Figura 9:
45
Figura 9. Estaciones de Monitoreo de NO2 en Medellín Fuente: Autores
7.4. Cali y su área urbana
Cali, ubicada en el suroccidente del país, es en la actualidad la tercera ciudad más poblada e
influyente del país después de Bogotá y Medellín. Es la capital del Departamento del Valle del
Cauca y un importante punto de salida de productos hacia el puerto de Buenaventura. Su área
urbana, se encuentra conformada por los municipios de Candelaria, Jamundí, Palmira y Yumbo.
Cuenta con un clima templado con una temperatura media anual de 24ºC, la cual puede oscilar
entre los 17ºC y los 33ºC. La precipitación media aproximada es de 1200 mm, con dos épocas
lluviosas hacia los meses de Abril y Mayo y de Octubre y Noviembre, y con dos épocas secas,
centradas hacia los meses de Enero y Febrero y de Julio y Agosto. La humedad relativa es del
70%.
De los establecimientos industriales del país, el área urbana de Cali reúne el 10.7% y cuenta con
una de las zonas industriales más grandes e importantes de Colombia, ubicada en el municipio de
Yumbo. Las principales actividades son el procesamiento de la caña de azúcar y la industria de
alimentos y bebidas en general. Por otro lado, según datos de la secretaria de movilidad de Cali,
se encontró que a 2017 se encuentran matriculados 629.883 vehículos discriminados de la
siguiente manera:
46
Figura 10. Parque automotor Cali Fuente: Secretaria de Movilidad de Cali
Para la medición de contaminantes, el Departamento Administrativo de Gestión del Medio
Ambiente (DAGMA) cuenta con un Sistema de Vigilancia de Calidad del Aire, conformado por 9
estaciones de las cuales solo la estación Universidad del Valle mide NO2.
Figura 11. Estaciones de monitoreo de NO2 en Cali Fuente: Autores
47
7.5. Bucaramanga y su área urbana
La ciudad de Bucaramanga ubicada en el nororiente del país, es la capital del departamento de
Santander y es principal epicentro industrial y económico de este sector del país. Conforma el
Área Metropolitana de Bucaramanga, junto con los municipios de Floridablanca, Girón y
Piedecuesta, la cual fue constituida legalmente en 1981. En esta región del país el clima es
templado, con una temperatura media anual de 23.4 ºC. La precipitación media aproximada es de
1100 mm, siendo los meses más lluviosos abril y octubre, y los de menor precipitación Julio y
diciembre.
Según el DANE, a 2017 el 3.9% de los establecimientos industriales del país se concentraban en
esta área metropolitana siendo las principales actividades la agroindustria y la fabricación de
calzado. En cuanto al parque automotor, según datos de la Dirección de Tránsito de Bucaramanga
se encontró que a 2017 se encuentran matriculados 629.883 vehículos discriminados de la
siguiente manera:
Figura 12. Parque automotor Bucaramanga Fuente: Dirección de tránsito de Bucaramanga
Esta área metropolitana cuenta con un sistema de vigilancia de calidad del aire administrado por
la Corporación Autónoma Regional para la Defensa de la Meseta de Bucaramanga (CDMB), la
cual dejo de medir hace algunos años. Las estaciones que anteriormente median NO2, eran
Centro, Chimita y Norte, ubicadas en los siguientes puntos de la ciudad:
48
Figura 13. Estaciones de monitoreo de NO2 en Bucaramanga Fuente: Autores
49
8. INTEGRACIÓN E INTERPRETACIÓN DE RESULTADOS
Una vez realizado el tratamiento y validación de datos de NO2 obtenidos por las redes de
monitoreo y el OMI, se procedió a encontrar los resultados y construir el análisis de los mismos.
8.1. Correlaciones
8.1.1. Correlaciones simples
Se hallaron las correlaciones por el método de Spearman como se especifica en la sección 6.4.1.
A continuación se presentan los coeficientes obtenidos de acuerdo a los datos utilizados
provenientes del OMI y de las redes de monitoreo:
8.1.1.1. Datos diarios NO2
Usando los datos diarios en los periodos de tiempo especificados en la Tabla 4, provenientes del
OMI y de las redes de monitoreo, se encontraron los siguientes coeficientes de correlación:
Tabla 9. Coeficientes de correlación con datos diarios NO2
Ciudad R
Bogotá D.C. 0,19
Medellín 0,04
Cali 0,10
Bucaramanga 0,12
Fuente: Autores
Se encontró que, utilizando todos los datos diarios del periodo de tiempo establecido, la ciudad
que presenta un mejor coeficiente de correlación lineal es Bogotá con 0,19 seguida por
Bucaramanga con 0,12. Para evaluar con mayor detalle el comportamiento de los datos, se
construyeron diagramas de dispersión junto con la recta de regresión para cada una de las
ciudades escogidas.
50
Figura 14. Diagramas de dispersión con datos NO2 diarios
Fuente: Autores
Observando los diagramas de dispersión, se encuentra que para el caso de Bogotá los datos
presentan un comportamiento más cercano a una relación lineal positiva, pero aun así existe un
comportamiento desordenado de los datos. En las ciudades de Medellín, se observa que las recta
de correlación al poseer un valor bajo, tiende incluso a ser negativa en algunos puntos y que el
comportamiento de los datos no muestra ninguna relación significativa.
8.1.1.2. Datos 2 p.m. NO2
Para esta correlación, se utilizaron los datos reportados para las 2 p.m. tanto para el OMI, como
para las redes de monitoreo, teniendo en cuenta que el satélite Aura pasa por Colombia entre la
1:30 p.m. y la 1:50 p.m., razón por la cual puede obtenerse una mejor correlación comparada con
la obtenida con los promedios diarios de concentración, donde se encontró:
51
Tabla 10. Coeficientes de correlación con datos 2 p.m. NO2
Ciudad R
Bogotá D.C. 0,20
Medellín 0,13
Cali 0,02
Fuente: Autores
Comparando los coeficientes de correlación, con los encontrados en la Tabla 10, Se encuentra
que, para la ciudad de Medellín, el coeficiente de correlación aumenta significativamente,
mientras para Bogotá lo hace pero no de manera notoria. En el caso de Cali, el coeficiente
disminuye considerablemente. Para Bucaramanga no se puede realizar esta comparación, ya que
no se cuenta con los datos horarios de la red de monitoreo de esta ciudad. Al construir los
diagramas de dispersión para estos datos, obtenemos:
Figura 15. Diagramas de dispersión con datos 2 p.m. NO2
Fuente: Autores
52
8.1.1.3. Datos diarios NO2 por estación
Para las ciudades de Bogotá, Medellín y Bucaramanga, se establecieron las correlaciones entre
los datos diarios provenientes del OMI y de cada una de las estaciones de las redes de monitoreo
de estas ciudades de las que se disponían datos. En Cali, esta correlación no fue hallada puesto
que solo se cuenta con una estación y el valor de esta correlación será igual al hallado en la
Tabla 9. En Bogotá los datos encontrados son los siguientes:
Tabla 11. Coeficientes de correlación con datos diarios NO2 por estación en Bogotá
Estación R
Las Ferias 0,17
Carvajal – Sevillana 0,15
Guaymaral 0,13
Kennedy 0,08
Centro de Alto Rendimiento 0,13
Puente Aranda 0,19
Fuente: Autores
Las estaciones que presentan un mayor coeficiente de correlación son Puente Aranda, Las Ferias
y Carvajal – Sevillana, aunque todas con un coeficiente menor que el encontrado para Bogotá con
los datos de los promedios diarios de todas las estaciones. Adicionalmente se realizan los
diagramas de dispersión.
53
Figura 16. Dispersión con promedios diarios en Bogotá
Fuente: Autores
En Medellín, las estaciones que tienen un mejor coeficiente son Centro, Universidad Nacional y
Politécnico Jaime Isaza Cadavid, como presenta la Tabla 12. Estas correlaciones muestran un
coeficiente mayor que el encontrado con los datos de los promedios diarios de todas las
estaciones.
Tabla 12. Coeficientes de correlación con datos diarios NO2 por estación en Medellín
Estación R
Universidad de San Buenaventura 0,04
Secretaría de Ambiente -0,05
Centro 0,12
Metro -0,02
Politécnico Jaime Isaza C. 0,07
Politécnico Jaime Isaza C. (S) 0,06
Universidad Nacional Facultad de Minas 0,04
Universidad Nacional 0,08
Fuente: Autores
54
Figura 17. Dispersión con promedios diarios en Medellín
Fuente: Autores
55
Para el caso de Bucaramanga, la estación que presenta mayor coeficiente es la de Chimita, sin
embargo ninguno de los coeficientes encontrados en esta fase es mayor o igual al que se obtiene
cuando los datos están promediados por estación.
Tabla 13. Coeficientes de correlación con datos diarios NO2 por estación en Bucaramanga
Estación R
Chimita 0,024
Norte -0,014
Centro 0,019
Fuente: Autores
Figura 18. Dispersión con promedios diarios en Bucaramanga Fuente: Autores
56
8.1.1.4. Datos 2 p.m. NO2 por estación
Esta correlación solo se realizó con Bogotá y Medellín, usando datos de las 2 p.m. de cada
estación y de OMI, junto con los diagramas de dispersión. Para Bogotá se obtuvo la siguiente
información:
Tabla 14. Coeficientes de correlación con datos 2 p.m. NO2 por estación en Bogotá
Estación R
Las Ferias 0,17
Carvajal – Sevillana 0,14
Guaymaral 0,17
Kennedy 0,12
Centro de Alto Rendimiento -0,06
Puente Aranda 0,19
Fuente: Autores
57
Figura 19. Dispersión con datos 2.p.m por estación en Bogotá
Fuente: Autores
Los mayores coeficientes se ubican en las estaciones Puente Aranda, Las Ferias y Guaymaral.
Comparando estos datos con los encontrados en la Tabla 11, se observa que las únicas estaciones
con cambios significativos son Guaymaral, cuyo coeficiente aumenta y el Centro de Alto
Rendimiento donde el valor disminuye y se presenta una correlación negativa. En Medellín el
resultado es el siguiente:
Tabla 15. Coeficientes de correlación con datos 2 p.m. NO2 por estación en Medellín
Estación R
Universidad de San Buenaventura 0,06
Secretaría de Ambiente -0,02
Centro 0,18
Metro 0,08
Politécnico Jaime Isaza C. 0,09
Politécnico Jaime Isaza C. (S) -0,05
Universidad Nacional Facultad de Minas 0,05
Universidad Nacional 0,12
Fuente: Autores
58
Figura 20. Dispersión con datos 2 p.m. por estación en Medellín
Fuente: Autores
59
Los mejores coeficientes son los de las estaciones Centro, Universidad Nacional y Politécnico
Jaime Isaza Cadavid. Las estaciones Secretaria de Ambiente y la antigua estación Politécnico
presentan una correlación negativa.
Analizando el comportamiento de las correlaciones por estación, se encuentra que los mayores
coeficientes de correlación son los obtenidos cuando se usa el promedio de datos de todas las
estaciones, a las 2 p.m. para Bogotá y Medellín y el promedio diario para Cali y Bucaramanga.
Según Lillesand, Kiefer & Chapman (2015) es imprescindible una buena equivalencia entre la
resolución espacial y la escala espacial a la que ocurren los fenómenos que se quieren observar,
para un adecuado análisis y tratamiento de los datos e imágenes. De acuerdo a ello se puede
comprobar que el OMI detecta los fenómenos a escala Urbana, y por ello no es conveniente
discriminar los datos por estación, dada su resolución de 15x24 Km.
Debido a los resultados obtenidos los datos de las redes de monitoreo que se utilizaran en las
siguientes fases del proyecto serán aquellos que arrojaron el mejor coeficiente de correlación.
8.1.2. Correlación parcial con una variable
Según Galán y Fernández (2006) “La forma predominante del nitrógeno oxidado, en las capas
bajas de la atmósfera depende de una serie de factores tales como el comportamiento de las
variables meteorológicas”, por ello se establecieron correlaciones parciales con control de los
efectos de las variables radiación y velocidad del viento, respectivamente las cuales influyen en el
comportamiento del NO2 para las ciudades de Bogotá, Medellín y Cali ya que estas cuentan con
los datos.
8.1.2.1. Correlación parcial con control de la radiación
De acuerdo a la clasificación establecida para radiación en la sección 6.4.2, los resultados
encontrados para los coeficientes y los diagramas de dispersión son los siguientes:
Tabla 16. Coeficientes de correlación condicionados por Radiación
Radiación/Ciudad Bogotá D.C. Medellín Cali
Baja 0,45 0,76 0,05
Media 0,20 0,14 0,01
Alta 0,15 0,03 0,24
Fuente: Autores
60
Figura 21. Diagramas de dispersión con datos de Radiación
Fuente: Autores
61
En Bogotá y Medellín se observa que cuando la radiación es baja, la correlación es de 0,45 y 0,76
respectivamente, valores que aumentan considerablemente con respecto a los obtenidos en Tabla
10, ya que “durante las horas del día, el NO2 sufre un proceso de reconversión a NO, como
resultado de la fotólisis, permitiéndose en igual manera la generación de O3” (Galán &
Fernández, 2006), es decir que a valores de radiación alta, el tiempo en el que NO2 permanece en
la atmósfera es menor, lo que puede dificultar la medición del OMI. Para Cali el comportamiento
es distinto, ya que la mejor correlación ocurre cuando la radiación es alta.
8.1.2.2. Correlación parcial con control de la velocidad del viento
En concordancia con los rangos establecidos para la velocidad del viento en la sección 6.4.2, los
resultados encontrados para los coeficientes son los siguientes:
Tabla 17. Coeficientes de correlación condicionados por velocidad del viento
Velocidad del viento/Ciudad Bogotá D.C. Medellín Cali
Baja 0,14 0,11 -0,18
Media 0,25 0,14 0,06
Alta 0,18 -0,02 0,64
Fuente: Autores
En la Tabla 17, se observa que para el caso de Bogotá D.C. y Medellín la correlación es mejor
cuando la velocidad de viento es media. Para la ciudad de Cali, nuevamente el comportamiento es
diferente al de estas dos ciudades, allí la correlación es mejor cuando la velocidad del viento es
alta. Según Turner y Schulze (2007), si la fuente de emisión de contaminantes se encuentra
ubicada en superficie, las mayores concentraciones de los mismos en aire a nivel del suelo se
presentan cuando las velocidades del viento son bajas y la atmósfera es estable, pero ello solo
puede ser determinado mediante la aplicación de modelos de dispersión atmosférica, por lo que
puede que el OMI no capture bien los fenómenos presentados en superficie bajo condiciones
atmosféricas muy estables, lo que podría ser objeto de un próximo estudio. Al graficar los
diagramas de dispersión se encontró:
62
Figura 22. Diagramas de dispersión con datos de velocidad del viento Fuente: Autores
63
8.1.3. Correlación parcial con dos variables
Con el fin de obtener mejores resultados en las correlaciones, se hallaron correlaciones parciales
con control de las variables radiación y velocidad del viento simultáneamente. Allí se obtuvieron
los siguientes resultados para cada ciudad:
Bogotá
Tabla 18. Coeficientes de correlación con control de dos variables - Bogotá
Radiación/Vel. Viento Alta Media Baja
Alta 0.18 0.47 -
Media 0.12 0.24 -1.00
Baja 0.90 0.19 -
Fuente: Autores
Red Bogotá vs OMI
Red Bogotá vs OMI
64
Red Bogotá vs OMI
Figura 23. Diagrama de dispersión con control de dos variables para Bogotá
Fuente: Autores
Medellín
Tabla 19. Coeficientes de correlación con control de dos variables - Medellín
Radiación/Vel. Viento Alta Media Alta
Alta 0.17
0.10
0.19
Media -0.53
0.21
-0.08
Baja - 0.80
-1.00
Fuente: Autores
Red Medellín vs OMI
65
Red Medellín vs OMI
Red Medellín vs OMI
Figura 24. Diagrama de dispersión con control de dos variables para Medellín
Fuente: Autores
Cali
Tabla 20. Coeficientes de correlación con control de dos variables - Cali
Radiación/Vel. Viento Alta Media Baja
Alta - 0.43 0.28
Media -1.00 0.16 -0.15
Baja 0.30 0.01 -0.50
Fuente: Autores
66
Red Cali vs OMI
Red Cali vs OMI
Red Cali vs OMI
Figura 25. Diagrama de dispersión con control de dos variables para Cali Fuente: Autores
67
Si bien en las tablas 17 a 19 se puede evidenciar que se encontraron coeficientes de correlación
mayores que los obtenidos en anteriores secciones, cuando se aplicaron los filtros en algunos
casos se obtuvieron muy pocos datos, en consecuencia para estas agrupaciones aunque las
correlaciones sean altas no son significativas. Descartando estos casos, los coeficientes de
correlación más altos para cada caso son: en Bogotá de 0,90 bajo las condiciones de radiación
baja y velocidad del viento alta, comportamiento similar al de Medellín con un coeficiente de 0,8
para una radiación baja y velocidad del viento media. En lo que respecta a Cali, el resultado es
diferente puesto que el mayor coeficiente se da en condiciones de radiación alta y velocidad
media del viento. Por ello se puede afirmar que el OMI funciona mejor para estas tres ciudades
bajo las siguientes condiciones meteorológicas:
Tabla 21. Condiciones meteorológicas ideales por ciudad
Ciudad Condiciones meteorológicas
Bogotá D.C. Radiación baja y Vel. Viento alta
Medellín Radiación baja y Vel. Viento media
Cali Radiación alta y Vel. Viento media
Fuente: Autores
8.2. Evolución del NO2 en Colombia
Se realizó el análisis de las series de tiempo generadas por los datos obtenidos por las redes de
monitoreo. En las actividades que se desarrollaron en esta sección se utilizaron los mismos datos
agrupados por meses, semanas y días. Como primer paso se completaron los datos faltantes en
cada una de estas frecuencias como se describe en la sección 6.5 El porcentaje de datos
completados para cada caso se muestra en la siguiente tabla:
Tabla 22. Porcentaje de datos completados
Frecuencia
de los datos
% Datos
completados Frecuencia
de los
datos
% Datos
completados
Bogotá Red Cali Red
Mensual 0.00 Mensual 8.82
Semanal 10.28 Semanal 14.77
Diaria 12.45 Diaria 30.89
Bogotá OMI Cali OMI
Mensual 2.08 Mensual 0.00
Semanal 39.07 Semanal 8.05
68
Diaria 83.96 Diaria 72.20
Medellín Red Bucaramanga Red
Mensual 0.00 Mensual 0.00
Semanal 1.49 Semanal 0.00
Diaria 2.50 Diaria 0.00
Medellín OMI Bucaramanga OMI
Mensual 0.00 Mensual 0.00
Semanal 5.47 Semanal 2.86
Diaria 61.03 Diaria 56.30
Fuente: Autores
En todos los casos se puede observar que el porcentaje es mayor cuando los datos provienen del
OMI y además que entre más datos se tengan también será mayor el porcentaje.
8.2.1. Concentración de NO2 vs Norma de calidad de aire
La Figura 26 muestra las series de tiempo de Bogotá, Medellín, Cali y Bucaramanga en los el
periodo de tiempo del cual se cuenta con datos:
Figura 26. Evolución de la concentración de NO2 en algunas ciudades de Colombia
Fuente: Autores
La gráfica, además compara las concentraciones con el nivel máximo permisible para NO2, en un
tiempo de exposición anual, el cual corresponde a 100 µg/m3 según las dos resoluciónes que se
encontraban vigentes en los años que se realizó el estudio. Con respecto al nivel máximo
permisible, se observa que ninguna de las cuatro ciudades ha presentado excedencias, y que las
69
concentraciones se encuentran por debajo de este límite, siendo el valor más cercano el
presentado en Bucaramanga en Octubre de 2005, correspondiente a 84,9 µg/m3.
Para la ciudad de Bogotá, la mayor concentración de NO2 ocurre en Junio de 2005 con 48,6
µg/m3. Además la serie de tiempo permite observar que generalmente entre Noviembre y Febrero
las concentraciones suelen aumentar, mientras en el periodo de tiempo comprendido entre Junio y
Agosto las concentraciones disminuyen. En 2005 se presentan varios picos de contaminación y es
hasta 2008 que el comportamiento de la serie se aprecia más estable.
En Medellín, la concentración aumenta en los periodos entre Febrero y Abril, y Agosto y Octubre
y disminuye entre Noviembre y Enero, y Junio y Julio. La
Figura 26, evidencia que las concentraciones de Medellín, siempre son mayores comparadas con
las de Bogotá y Cali. Además tiene como valores máximos de concentración 56,1 µg/m3 y 44,2
µg/m3, para los meses de Marzo y Mayo de 2012 respectivamente.
Cali es la ciudad que presenta concentraciones más bajas de NO2. En esta serie de tiempo no se
observa un comportamiento definido de la concentración a lo largo del año. Las concentraciones
más altas ocurren en el 2015, con picos en los meses de Mayo, Junio y Octubre.
Por último, Bucaramanga cuenta con pocos datos, debido a que la red de monitoreo dejo de medir
a comienzos del 2007. Aún así, se identifica que las concentraciones son más altas comparadas
con las de Bogotá el periodo de tiempo entre 2005 y 2006. Además se observa que las
concentraciones promedio entre Julio de 2005 y Enero de 2006 exceden los 65 µg/m3.
8.2.2. Análisis de evolución de NO2
En esta sección se gráficaron las series de tiempo generadas con los datos mensuales del OMI y
de la red. A continuacion se podran observar dichas gráficas.
Bogotá D.C
En la Figura 27 podemos observar la evolucion el NO2 que se obtuvo con los datos de Bogota.
Esta figura nos permite evidenciar que para los datos de la red los picos mas altos se presentan en
los primeros años y que despues se puede observar un comportamiento un poco mas constante.
Sin embargo, el comportamiento de los datos del OMI muestra variaciones y picos a lo largo de
toda la serie.
70
Figura 27. Evolución de la concentración de NO2 en Bogotá
Fuente: Autores
Medellín
En el caso de Medellin, se observa que ninguna las dos series de tiempo muestra de manera clara
una tendencia a crecer o decrecer con el tiempo. Sin embargo en esta figura podemos observar
que en algunas ocasiones se tienen cierto comportamientos similares.
Figura 28. Evolución de la concentración de NO2 en Medellín
Fuente: Autores
71
Con respecto a estas series, tambien se puede evidenciar que el omi presenta su mayor valor en el
año 2012 mientras que la red lo presenta en el 2014, sin embargo los dos valores se presentan en
Marzo de estos años.
Cali
La Figura 29 presenta la evolucion de las series de tiempo para la ciudad de Cali, en ella podemos
observar un comportamiento contrario en los datos, principalmente cuando se presentan picos.
Figura 29. Evolución de la concentración de NO2 en Cali Fuente: Autores
En este caso, el valor mas alto para la red se presenta a finales del 2015 mientras que para el
OMI se da finalizando el año 2013.
Bucaramanga
Las series de tiempo tanto del OMI como de la red para el caso de Bucaramnga presenta un
comportamiento mucho mas similar donde se observa que el valor maximo para las dos se
registro en agosto del 2005. Sin embargo, se puede observar un comportamiento mas organizado
para el caso de la red.
72
Figura 30. Evolución de la concentración de NO2 en Bucaramanga Fuente: Autores
Esta seccion fue un primer acercamiento para el analisis de las series de tiempo, en el que se
obtuvo que teniendo en cuenta todos los datos no se pueden concluir muchas cosas acerca de las
series de tiempo. Sin embargo, en todas las figuras anteriores se puede evidenciar los cambios
marcados en los datos del OMI se dan en mayor cantidad que registrados por la red. Por otro
lado, debido al comportamiento de los datos efectuando este analisis se dificulta observar si hay o
no hay algunas similitudes en el comportamiento de los datos.
8.2.3. Descomposicion de serie de tiempo
Para realizar un analisis más cuidadoso se realizó la descomposicion de la serie de tiempo
teniendo en cuenta una frecuencia mensual y semanal. En las siguientes figuras se podran
observar cuatro recuadros en cada gráfica, en el primero, “data” esta la serie de tiempo con todos
los datos, el segundo “seasonal”,tiene la componente estacionaria de la serie, el tercero “trend”
presenta la tendencia que esta adquiere cuadno se realiza un suavizado de los datos eliminando la
componente estacionaria. Y el ultimo “remainder”, presenta los residuos que quedan de las dos
anteriores componentes.
Bogotá
73
Para el caso de Bogota, la Figura 31 muestra que el comportamiento del total de los datos tanto
para la red como para el OMI son diferentes, sin embargo la descomposion semanal nos permite
observar que ambas serires de tiempo presentan altibajos pero que en el OMI estos se dan de
manera mas significativa.
Por otro lado, en las componentes de tendencia en la descomposicion mensual se observa un
comportamiento similar de crecimiento y decrecimiento desde el año 2011, solo que parece que
ocurre primero para los datos de la red y despues para los datos del OMI, es decir, se observan el
mismo cambio pero para el caso de la red comienza a mediados del 2011 y para el OMI a
principios del 2012. En este sentido, cuando observamos la misma componente pero esta vez para
el caso semanal vemos el mismo comportamiento pero todo el periodo de tiempo estudiado.Aqui
tambien se puede evidenciar que los cambios en el OMI.
Mensual
Semanal
Figura 31. Descomposición serie de tiempo Bogotá
Fuente: Autores
En las graficas del componente residual, se pueden observar los valores que no influyen ni en la
componente tendecial ni en la estacional, en este sentido, estos datos son los que generan ruido en
74
el momento de analizar las series de tiempo (principalmente aquellos que presentan valores altos
y que se observan como picos) y que se presentan debido a alguna variable aleatoria que no se da
con ningun tipo de frecuencia especifica. En la Figura 29, con los datos mensuales se observa que
en Bogotá para el caso del OMI se presentan varios picos mientras que para la red solo presenta
uno.
Medellin
En la Figura 32 se puede observar la descomposicionde la serie de tiempo para el caso de
Medellin, en cuanto a la componente tendencia que muestra esta figura se evidencia que no hay
similitud entre las gráficas, por ejemplo para el año 2013 cuando la tendencia sube para el OMI
en el caso de la red baja. Sin embargo, cuando observamos estas mismas gráfica pero con una
frecuencia semanal se puede observar que tienden a tener la misma forma pero en diferentes
periodos de tiempo.
Mensual
Semanal
Figura 32. Descomposición serie de tiempo Medellín
Fuente: Autores
75
Por otro lado, el comportamiento de la componente residual indica que existen distintos valores
elevados para los dos casos, sin embargo en este caso podemos observar que para el caso de la
red suelen estar agrupados en ciertas epocas del año, mientras que para el OMI se dan en epocas
que no tienen ningun tipo de asociación entre si.
Cali
En la ciudad de Cali, se observan tendencias totalmente contrarias, pues la gráfica del OMI
muestra un decrecimiento del contaminante al pasar de los años, a excepcion del periodo entre
finales del año 2014 y mediados del año 2015 donde tiene un comportamiento constante. En
contraste, la gráfica de la red presenta al principio un decrecimiento y despues de junio de 2014
comienza a incrementar.
Mensual
Semanal
Figura 33. Descomposición serie de tiempo Cali
Fuente: Autores
76
La componente residual para esta ciudad, presenta valores elevados o picos para los datos
provenientes de las dos fuentes, sin embargo se puede observar el mismo fenomeno que para la
ciudad anterior, donde estos estan agrupados en ciertas epocas.
Bucaramanga
Mensual
Semanal
Figura 34. Descomposición serie de tiempo Bucaramanga
Fuente: Autores
En la Figura 34, se puede observar la descomposición para la ciudad de Bucaramanga, tanto los
datos del OMI como los datos de la red presentan una tendencia similar desde finales del año
2005, sin embargo, esta similitud es menor en la gráfica para la frecuencia semanal. Aunque
existan diferencias en las graficas generadas con los datos mensuales y las generadas con los
datos semanales en todas se observa que los valores mas altos se presentan entre finales de 2005
y comienzos de 2006.
La descomposición de las series de tiempo, permitió evidenciar que en las cuatro ciudades
estudiadas la componente residual presenta un comportamiento similar, principalmente cuando se
trata de los datos provenientes del OMI, pues las gráficas generadas con estos datos arrojaron
77
picos. Esto se debe a que la medición del OMI se ve afectada por diferentes fenomenos que
ocurren en la atmosfera e interfieren con el valor de la columna que se reporta, a diferencia de las
mediciones que reportan las redes de monitoreo.
8.2.3.1. Estacionalidad de series de tiempo
Debido a que en las anteriores figuras no se podía observar claramente la componente estacional,
se realizó el análisis de esta por separado. Las figuras que se presentan a continuación permiten
observar las tendencias de cada serie de tiempo utilizando datos con las frecuencias mensual,
semanal y diaria.
En la Figura 35 se presenta la componente estacional para la ciudad de Bogotá, de color azul los
datos del OMI y de color morado los de la red. Para esta ciudad, los datos presentan
comportamientos diferentes, según la red las mayores concentraciones de NO2 se presentan entre
los meses de enero y marzo y entre agosto y octubre, por otro lado, de acuerdo a los datos del
OMI la época con mayores concentraciones es desde septiembre hasta octubre.
Bogotá
Mensual
Semanal
Diario
Figura 35. Estacionalidad serie de tiempo Bogotá
Fuente: Autores
78
La estacionalidad para la ciudad de Medellín se presenta en la Figura 36 y teniendo en cuenta los
datos de la red del año donde se presentan mayores valores esta entre enero y marzo y agosto y
noviembre, por otro lado según los datos del OMI, el tiempo entre abril y mayo y entre julio y
agosto presentan las mayores concentraciones de NO2. Sin embargo, se puede observar similitud
en el periodo de tiempo entre abril y julio en estas series de tiempo.
Medellín
Mensual
Semanal
Diario
Figura 36. Estacionalidad serie de tiempo Medellín
Fuente: Autores
En la Figura 37 se presentan las graficas para la ciudad de Cali, en este caso se puede observar un
comportamiento similar desde marzo hasta septiembre. Sin embargo, para el caso de la red las
concentraciones mayores se presentan en los meses de octubre y noviembre.
79
Cali
Mensual
Semanal
Diario
Figura 37. Estacionalidad serie de tiempo Cali
Fuente: Autores
En la Figura 38 se presenta la componente estacional para la ciduad de Bucaramanga, en esta
figura se evidencia un comportamiento similar en todo el año para las dos graficas a excepcion
del periodo de tiempo entre agosto y octubre donde se presentan los valores mas elevados para el
OMI. Por otro lado, en la grafica semanal se puede observar que los picos generados para los
datos del OMI son los que ocasionan la diferencia entre los dos comportamientos.
Bucaramanga
Mensual
Semanal Diario
80
Figura 38. Estacionalidad serie de tiempo Bucaramanga
Fuente: Autores
Para este analisis, es mejor emplear de manera paralela las frecuencias semanal y mensual ya que
estas permiten efectuar cierto contraste a la hora de analizar los datos.
8.2.4. Análisis de frecuencias
Debido a la variabilidad y el ruido que tienen los datos, principalmente los provenientes del OMI,
se realizó un análisis de frecuencias como se describe en la sección 6.5.4. con el fin de establecer
cuál era la mejor manera de observar los datos. En esta sección se aplicó la transformada de
Fourier a las series de tiempo con los datos promediados por mes, semana y día que se generaron
en la sección 8.2
Este análisis se realizó con el fin de establecer cuál es la frecuencia predominante de los datos y
cuales datos generan solo ruido. Desde la Figura 39 hasta la Figura 42 se presentan las gráficas
que permitieron realizar este análisis donde el eje “x” es la frecuencia, con unidades de mes-1,
semana-1 o dia-1, y el eje “y” es la densidad espectral correspondiente a cada frecuencia, en este
sentido cada vez que se presenta un pico en ellas quiere decir que esa frecuencia tiene mayor
importancia dentro de la serie.
En las 4 figuras se puede observar que para ninguna de las ciudades el análisis con datos
mensuales genera una frecuencia predominante. En este sentido, la tendencia se hace más clara
entre más datos se tienen.
Para el caso de Bogotá, en la gráfica con datos diarios se pueden observar que las densidades
espectrales predominantes que se presentan tanto para los datos de la red como para los datos del
OMI son las que corresponden a los valores de frecuencia entre 0 y 250 dia-1. Por otro lado, la
gráfica mensual para esta ciudad nos muestra un comportamiento similar en las frecuencias entre
5 y 20 mes-1.
81
Bogotá
Mensual
Semanal
Diario
Figura 39. Frecuencias en Bogotá
Fuente: Autores
En la Figura 40 se observan las frecuencias para la ciudad de Medellin, sin emgardo en este caso
con los datos mensuales y semanales no se pueden evidenciar densidades espectrales con
importancia que se presenten en la misma frecuencia tanto para los datos de la red como para los
datos del OMI. En contraste, las gráficas con valores diarios permiten evidenciar que las
Frecuencia (mes-1)
Frecuencia (semana-1)
Frecuencia (dia-1)
82
frecuencias con mayor importancia que se presentan en los dos casos se encuentran entre 0 y 50 y
entre 500 y 600 dia-1
Medellín
Mensual
Semanal
Diario
Figura 40. Frecuencias en Medellín
Fuente: Autores
En la Figura 41 se observan las frecuencias para Cali, para esta ciudad con los datos no se pueden
evidenciar densidades espectrales con importancia que se presenten en la misma frecuencia tanto
para los datos de la red como para los datos del OMI. Sin embargo, la grafica con datos semanal,
permite observar similitudes en las densidades espectrales correspondientes a las frecuencias
Frecuencia (mes-1)
Frecuencia (semana-1)
Frecuencia (dia-1)
83
desde 0 a 50 semana-1 y la gráfica con valores diarios solo muestra un pico simultaneo en una
frecuencia cercana a 0.
Cali
Mensual
Semanal
Diario
Figura 41. Frecuencias en Cali
Fuente: Autores
En la Figura 42 se observan las frecuencias para la ciudad de Bucaramanga , en este caso no se
pueden evidenciar densidades espectrales con importancia que se presenten en la misma
frecuencia tanto para los datos de la red como para los datos del OMIen el caso de las grafics
mensuales y semanales. Para la gráfica con datos diarios se presentan picos en los valoes de
frecuncia de 500 y 1000 dia-1.
Frecuencia (mes-1)
Frecuencia (semana-1)
Frecuencia (dia-1)
84
Bucaramanga
Mensual
Semanal
Diario
Figura 42. Frecuencias en Bucaramanga
Fuente: Autores
En las cuatro casos estudiados se pudo evidenciar que los datos el OMI siempre presentaron mas
frecuencias con importancia que los datos de la red, sin embargo para el caso de este estudio fue
mas importante enfocarse en las frecuencias predominantes que se repetian para ambas fuentes de
datos.
Frecuencia (mes-1)
Frecuencia (semana-1)
Frecuencia (dia-1)
85
Para las cuatro ciudades estudiadas se observó que con el fin de establecer cuáles eran las
frecuencias predominantes era mejor realizar el análisis con los datos diarios. Sin embargo se
debe tener en cuenta que el procentaje de datos completados es mucho mayor en la frecuencia
diaria que en la mensual como se presenta en la Tabla 22.
8.3. Distribución espacial de NO2
8.3.1. Distribución espacial de NO2 en áreas urbanas
Se construyeron los mapas de distribución espacial para los departamentos de Cundinamarca,
Valle del Cauca, Antioquia y Santander, para cada año comprendido entre 2005 y 2016, debido a
que las ciudades de Bogotá y Cali no tienen un área urbana legalmente constituida y a que la
extensión de las áreas urbanas de Medellín y Bucaramanga no permite que se evidencien
diferencias en la concentración del contaminante por la resolución que tiene el OMI, con el
propósito de ubicar las áreas que presentan mayor concentración de NO2, los años en los que la
concentración aumenta notablemente, y el cambio de concentración año a año; mediante los datos
obtenidos por OMI. Los datos utilizados para realizar las distribuciones se presentan en el Anexo
3.
Posteriormente, se generaron mapas de distribución del NO2 tanto en Colombia como en los
departamentos ya mencionados mediante la herramienta ArcGIS y el modelo IDW.
Cundinamarca y el área Urbana de Bogotá
Para el Departamento de Cundinamarca y el área urbana de Bogotá, se construyeron los mapas de
distribución espacial, como muestra la Figura 43 y Figura 44
86
Figura 43. Distribución de NO2 en Cundinamarca 2005-2010 Fuente: Autores
87
Figura 44. Distribución de NO2 en Cundinamarca 2011-2016 Fuente: Autores
88
En las figuras, se observa que los municipios con las concentraciones más altas en el
departamento de Cundinamarca se encuentran en los municipios de Tocancipá, Soacha, Funza,
Mosquera, Madrid, Facatativá, Chía, Cota y Bogotá D.C., comportamiento que se presenta para
todos los años de estudio. El municipio de Tocancipá muestra la concentración más alta del
departamento, e incluso de todo el país, superando los valores de Bogotá D.C. y Soacha, solo con
excepción de 2016. Este municipio ha tenido en los últimos años un aumento de la actividad
industrial, debido a su localización sobre importantes corredores viales que comunican al centro
con el nororiente del país y a 35 Km de Bogotá, a lo que se puede atribuir este fenómeno, además
del constante tráfico pesado que por allí se moviliza y a la central Termoeléctrica Martin del
Corral “Termozipa”.
Los municipios de Funza, Mosquera, Madrid, Facatativá, Chía y Cota, corresponden a dos áreas
ubicadas al occidente (Funza, Mosquera, Madrid, Facatativá) y norte (Chía y Cota) de la capital
del país, que por su cercanía, han presentado un crecimiento acelerado tanto de su actividad
industrial, principalmente hacia el occidente, como de su población, lo que ha generado un
aumento de las emisiones de contaminantes hacia la atmosfera.
En los años 2007, 2011 y 2016, la concentración aumenta para todo Cundinamarca, siendo este
último año, el de mayor concentración del contaminante. En cuanto a las variaciones anuales, se
encontró que las más notables ocurren para el 2007, año en el que la concentración aumenta para
todo el departamento comparado con el 2006, fenómeno que también se presenta 2011 y 2016
con respecto a sus años anteriores, siendo el cambio más abrupto el presentado entre 2015 y
2016.
Valle del Cauca y el área urbana de Cali
En el Valle del Cauca y el área urbana de Cali, la distribución espacial de NO2 que se encontró,
se puede apreciar en la Figura 45 y Figura 46
89
Figura 45. Distribución de NO2 en Valle 2005-2010 Fuente: Autores
90
Figura 46. Distribución de NO2 en Valle 2011-2016 Fuente: Autores
91
En el departamento del Valle del Cauca, los municipios en los que se observan las concentraciones
más altas son Dagua, Cali, Jamundí, Palmira, Yumbo, Cartago y El Águila. Dagua es el municipio
que presenta la concentración más alta en la mayoría de años. Este municipio tiene una serie de
problemas y condiciones que han facilitado el deterioro ambiental, y han promovido la emisión de
contaminantes a la atmósfera, como son la minería ilegal a cielo abierto que según Parra (2014),
emplea cerca de 8000 personas y alrededor de 250 retroexcavadoras, la quema de biomasa y su
principal corredor vial que conduce hacia el puerto de Buenaventura.
Para el caso de Cali, Palmira, Yumbo y Jamundí, la emisión de NO2 está asociada principalmente, a
las fuentes móviles de estos municipios, particularmente en Cali. Según el Informe de la
contaminación atmosférica en la ciudad de Cali, en 2011 se emitieron 23.766 toneladas de NOx
asociadas a fuentes móviles. Adicionalmente Palmira y Yumbo, son municipios con fuerte actividad
industrial, siendo este último el que tiene la zona franca más grande del occidente del país, además
de la quema de biomasa que se desarrolla allí. Según los informes de Calidad de Aire de la CVC,
desde 2008 Yumbo y Palmira, han registrado los niveles más altos de concentración de
contaminantes. Hacia los municipios de Cartago y El Águila, la CVC no cuenta con monitoreo de
ningún contaminante atmosférico, lo que dificulta el análisis de la concentración de NO2 resultante
para los datos de OMI, aunque esta concentración puede atribuirse a la predominancia en los
cultivos de caña de azúcar y maíz, y una quema de biomasa asociada a estas actividades, como
indican los estudios de perfil productivo rural y urbano del Ministerio de Trabajo, para estos
municipios y adicionalmente al tráfico vehicular y pesado que circula con esta zona por su
ubicación estratégica, cercana a Pereira y Armenia.
En los años 2005, 2006, 2010 y 2011 la concentración aumenta para todo el Valle del Cauca, siendo
los años 2005 y 2011, los de mayor concentración del contaminante. Las variaciones anuales más
notorias ocurren entre los años 2007 y 2008, donde la concentración disminuye considerablemente
para el segundo año, comportamiento que también ocurre para los años 2011 y 2012.
Antioquia y el área urbana de Medellín
En Antioquia y el área urbana de Medellín, la distribución espacial de NO2 que se encontró, se
puede apreciar en la Figura 47 y Figura 48.
92
Figura 47. Distribución de NO2 en Antioquia 2005-2010 Fuente: Autores
93
Figura 48. Distribución de NO2 en Antioquia 2011-2016 Fuente: Autores
94
En las figuras 47 y 48, se observa que los municipios con las concentraciones más altas en el
departamento de Antioquia se encuentra en los municipios pertenecientes al área metropolitana de
Valle de Aburra, y en algunos años hacia los municipios de Urrao y Betulia ubicados en la
subregión del suroeste antioqueño. Los municipios ubicados hacia el norte del departamento
principalmente los del Urabá presentan las concentraciones más bajas.
Para el área metropolitana del Valle de Aburra, las altas concentraciones de NO2 pueden asociarse a
la confluencia de fuentes fijas y móviles. Según el inventario de emisiones atmosféricas del Valle de
Aburra, con respecto a las fuentes fijas se encontró que a 2015 en esta área se encuentran 432
empresas emisoras de contaminantes atmosféricos que cuentan con 1448 fuentes, y que los
municipios con mayor aporte de NOx son Envigado, Itagüí y Bello con 662.4, 655.2 y 510.7
toneladas respectivamente. En el caso de las fuentes móviles, la emisión a 2015 fue 15.016
toneladas de NOx, siendo los camiones los mayores aportantes con el 31% del total de la emisión y
el diésel con 10.287 toneladas el combustible que más contribuye a esta emisión. Medellín es el
municipio que más concentra este tipo de fuentes.
De los municipios de Betulia y Urrao, no se cuenta con información en lo que respecta a fuentes
fijas y fuentes móviles y a la emisión de NOx a la atmosfera, pero se estima que la alta concentración
reportada por el OMI, con respecto al resto del departamento, está asociada a actividades como la
minería de carbón, la industria maderera y la producción de caña panelera, que son las principales
actividades económicas de esta zona, como informa el departamento administrativo de planeación
en el Perfil subregional del suroeste antioqueño
Los años con mayor concentración del contaminante a nivel del Departamento son 2009, 2014 y
2016, siendo el más crítico el año 2014.
Santander y el área urbana de Bucaramanga
Para el Departamento de Santander y el área urbana de Bucaramanga, se construyeron los mapas de
distribución espacial, como muestra la Figura 49 y Figura 50
95
Figura 49. Distribución de NO2 en Santander 2005-2010
Fuente: Autores
96
Figura 50. Distribución de NO2 en Santander 2011-2016 Fuente: Autores
97
Como se aprecia en las figuras 49 y 50, los municipios que presentan niveles más altos de
concentración en el departamento de Santander son los municipios de Encino, Vélez y Puente
Nacional. Allí sorprende que la concentración de NO2 del área metropolitana de Bucaramanga, no es
la que más contribuye con emisiones a la atmosfera, según lo reportado por el OMI. Las áreas
ubicadas hacia el noroccidente y suroriente del departamento, son las que menor concentración de
NO2 presentan en el periodo de tiempo escogido.
El municipio de Vélez, que registra el mayor nivel de concentración de NO2, es el eje central de la
economía de la provincia que lleva su mismo nombre ubicada al suroccidente del departamento.
Según datos de la Alcaldía Municipal de Vélez, la economía del municipio está basada en la
producción de bocadillo a partir del dulce de guayaba, con 35 fábricas de las cuales 9 son
consideradas grandes, 16 medianas y 10 pequeñas. Adicionalmente la ganadería y la caña de azúcar
son actividades representan una fuente de recursos importante para el municipio. Por ello esta zona
es considerada como una de las áreas industriales más grandes del departamento. Estas actividades
que en varias zonas del municipio, aún se desarrollan de manera artesanal, podrían ser la causa del
alto nivel de concentración presentado por el OMI. Puente Nacional, tiene una economía basada en
las mismas actividades de Vélez, pero a una escala menor. Encino por su parte, es un municipio
ubicado al suroriente del departamento, con actividades netamente agrícolas y una población de
4.522 habitantes según la proyección del DANE. Se posee poca información acerca de este
municipio, por lo que no es factible evaluar la causa del alto nivel de concentración reportado por el
OMI allí, y podría ser objeto de un futuro estudio.
Los años en los que se evidencia una elevada concentración de NO2 en el departamento son 2007,
2013 y 2014, siendo el más crítico el año 2014, a su vez se observa que los años de mayor
concentración son 2008 y 2016.
8.3.2. Distribución espacial de NO2 en Colombia
Para la República de Colombia, la distribución espacial de NO2 que se encontró, se puede apreciar
en la Figura 51 y Figura 52.
98
Figura 51. Distribución de NO2 en Colombia 2005-2010 Fuente: Autores
99
Figura 52. Distribución de NO2 en Colombia 2011-2016 Fuente: Autores
100
En las figuras, se observa que las regiones que presentan mayor concentración de NO2 en el país son
la Andina, Caribe y Pacífica, exceptuando para este último caso los departamentos de Chocó y
Nariño, esto se puede deber a que son las regiones donde hay mayor tráfico vehicular y actividad
industrial del país, ya que los departamentos que producen mayor valor agregado industrial al país
son Bogotá D.C., Antioquia, Santander, Valle del Cauca, Cundinamarca, Bolívar y Barranquilla.
(Bonilla, 2010)
De acuerdo con la información del Banco de la República, solo la región Andina Oriental genera un
poco más del 45% del PIB nacional y su principal aporte se debe al sector industrial. En esta región
las áreas de Bogotá y Soacha, la metropolitana de Bucaramanga, Cúcuta y el corredor industrial de
Boyacá, Sogamoso y Tamacá, se consideran algunas de las más contaminadas del país. En el
departamento de Boyacá se aglomera una importante actividad termoeléctrica, siderúrgica y
cementera, especialmente en los alrededores de Sogamoso y Paipa, este departamento ha
incrementado su actividad industrial en los últimos años. En contraste, para la ciudad de Bogotá la
actividad industrial ha empezado a disminuir y en los demás departamentos de la región se ha
mantenido constante. (Salazar Mejía, 2010)
Por otro lado, según el DANE, Antioquia representa el 15% del valor agregado de la industria de
todo el país, y ese sector basa su economía principalmente en la fabricación de alimentos, sustancias
y productos químicos y productos minerales no metálicos. (CÁMARA DE COMERCIO DE
MEDELLÍN PARA ANTIOQUIA, 2016)
El sector industrial del eje cafetero representa el 25,4% del PIB regional; no obstante, desde el 2010
su contribución disminuyó a aproximadamente al 24,9% debido a una leve pérdida de participación
de la industria durante los últimos dos años. El departamento que más contribuye al sector industrial
es Caldas, seguido de Risaralda y con un porcentaje más bajo Quindío. En cuanto al transporte en
este lugar del país, la actividad de mayor contribución fue transporte por vía terrestre, dentro de la
cual Risaralda y Caldas concentran más del 80% del PIB de la región Andina debido al importante
movimiento en la cantidad de pasajeros despachados por las terminales de transporte.
101
En este contexto, esta región cuenta con más del 25% de la red primaria de carreteras del país lo que
puede ser causante de que en ella se encuentren las concentraciones más altas de NO2. (Valencia
Valencia, Cortázar Gómez, & López Soto, 2013)
Según el Banco de la Republica, la región Caribe es la segunda que aporta más al PIB del país y la
mayor contribución a su economía se debe a los sectores industrial y comercial. Las estadísticas de
la Encuesta Anual Manufacturera (EAM) del DANE de 2010, mostraron que el valor agregado
generado por la industria de la región Caribe se encuentra compuesto principalmente por la
coquización y derivados del petróleo, cuya actividad se concentra principalmente en departamento
de Bolívar y es la división industrial de mayor importancia en la región. Por otro lado están las
industrias no clasificadas previamente, que se encuentra conglomerada en la producción de
ferroníquel de la mina de Cerro Matoso en el departamento de Córdoba. (Díaz, Aranza, & Orozco,
2013)
Adicionalmente, la industria del Atlántico produce aproximadamente el 5% del valor agregado
industrial de Colombia, otra de las aportaciones importante de este departamento se puede deber al
puerto de Barranquilla que es el terminal líder de la región pues moviliza el 52% del total de la zona
portuaria de Barranquilla. En este departamento, junto a Bolívar se encuentra la mayor actividad
industrial con químicos y minerales no metálicos de la región. (Bonilla, 2010)
Con respecto al transporte terrestre de la región que puede ser un gran aportador de emisiones de
NO2, se registró un incremento significativo entre los años 2004 y 2010, con un crecimiento
promedio anual de 13,0%, que es superior al 10,5% registrado a nivel nacional, los vehículos que
transitan por la región conforman el 18,2% del total nacional.
Según el DANE, la economía de la región pacifica representa un aporte aproximado al 14,7% del
PIB colombiano. Sin embargo, las actividades en las que se basa son la agricultura, la pesca y la
minería. En esta región el departamento que contribuye más emisiones a nivel industrial es el Valle
del Cauca, pues este sector y la construcción son claves para su economía.
En las figuras también se puede evidenciar que el incremento más significativo en las
concentraciones se dio en los años 2007 y 2012, también se puede observar que después de este año
102
las concentraciones empiezan a disminuir en las ciudades más críticas, principalmente en los años
2015 y 2016 a excepción de Cali cuyo año más crítico fue en 2015.
Por otro lado debido a que el OMI presenta diferentes valores que fueron descartados, se calculó el
porcentaje de datos válidos, sobre el total de datos diarios que tenía cada ciudad estudiada, la
información obtenida se presenta en la siguiente Tabla:
Tabla 23. Porcentaje de datos validos por ciudad
CIUDAD % DATOS
VALIDOS CIUDAD
% DATOS
VALIDOS
Arauca 51.47 Neiva 40.12
Armenia 30.61 Pasto 14.95
Barranquilla 65.11 Pereira 29.96
Bogotá 16.04 Popayán 27.76
Bucaramanga 41.66 Puerto Carreño 60.66
Cali 32.53 Puerto Inírida 60.5
Cartagena 64.03 Quibdó 30.97
Cúcuta 38.61 Riohacha 72.4
Florencia 50.62 San Andrés 66.07
Ibagué 48.95 San José del
Guaviare
50.66
Leticia 67.4 Santa Marta 64.17
Manizales 27.4 Sincelejo 62.1
Medellín 40.25 Tunja 27.65
Mitú 48.56 Valledupar 60.45
Mocoa 29.87 Villavicencio 41.01
Montería 58.35 Yopal 51.44
Fuente: Autores
Al obtener estos resultados se identificó que las ciudades que tenían un porcentaje menor de datos
validos fueron Pasto, Bogotá, Tunja y Manizales caracterizados por su clima frio- muy seco, por
contar con altitudes mayores a 2000 msnm, y por ser ciudades que presentan una alta cobertura
nubosa, lo que dificulta la lectura del OMI cuando esta es superior al 30%.
Por el contrario, las ciudades que presentan más del 50% de datos validos se caracterizan por tener
un clima cálido-muy seco o muy húmedo. Particularmente las ciudades que presentan mayor
103
porcentaje de datos validos son Riohacha y Leticia y aunque están a los extremos del país, las dos
presentan temperaturas promedio entre 27-28 °C.
También se pudo observar que las ciudades que tienen porcentajes entre el 30 y el 50% de datos
válidos, pertenecen a la región Andina y Pacífica, en esta ultima los porcentajes son más cercanos al
30%.
Se puedo evidenciar según los resultados obtenidos que la resolución del sensor remoto se ve más
afectada en las regiones con climas fríos y templados cuya temperatura promedio es menor a los
14°C.
104
9. CONCLUSIONES
Este estudio, permitió establecer la correlación de Spearman entre los datos de concentración de
NO2 reportados por el OMI y los provenientes de las redes de monitoreo para las ciudades de
Bogotá, Medellín, Cali y Bucaramanga. Se comprobó que para las ciudades de Bogotá y Medellín la
correlación es mejor cuando se usan los datos de las 2 p.m., debido a que el OMI pasa a esta hora
por Colombia, obteniendo coeficientes de correlación de 0,20 y 0,13. Sin embargo, en el caso de
Cali se obtuvo un comportamiento diferente puesto que la correlación es mejor con el valor
promedio diario, correspondiente a 0,10. Para la ciudad de Bucaramanga solo se encontró un
coeficiente de correlación de 0,4 utilizando valores promedio diarios. Por otro lado, después de
hallar las correlaciones para cada una de las estaciones de las redes de monitoreo, se comprobó que
las correlaciones eran más altas, cuando se comparaba el valor promedio de concentración de NO2
de todas las estaciones para cada ciudad, debido a que la resolución espacial de OMI (15x24 Km),
capta los fenómenos a escala urbana y no local.
Adicionalmente, se encontró que los coeficientes de correlación aumentaban cuando se usaban como
control las variables radiación solar y velocidad del viento, esto puede atribuirse a que son variables
que inciden en el comportamiento del NO2 en la atmósfera, donde la radiación solar genera un
proceso de reconversión de NO2, mientras la velocidad del viento facilita el proceso de dispersión
del contaminante. Para las correlaciones con control de una sola variable se obtuvieron coeficientes
de correlación de 0,45 y 0,76 en Bogotá y Medellín respectivamente, cuando se tomaron datos de
radiación baja y para Cali de 0,64 con datos de velocidad del viento alta. Para las correlaciones con
control de las dos variables mencionadas anteriormente, se obtuvieron coeficientes de correlación
mayores a 0,40, que cabe resaltar que en algunos casos es probable que se deba a los pocos datos
obtenidos después de ser filtrados. Se encontró que Bogotá y Medellín presentan un comportamiento
similar, ya que para Bogotá la mejor correlación se produce bajo las condiciones de radiación baja y
velocidad del viento alta, con un valor de 0,90, y para Medellín con condiciones de radiación baja y
velocidad del viento alta con 0,8. En Cali, el comportamiento no es el mismo, debido a que la mejor
correlación se produce bajo las condiciones de radiación alta y velocidad del viento media
mostrando un valor de 0,43.
En cuanto al análisis de la evolución del NO2 en el tiempo estudiado se comprobó que los datos
reportados por las redes de monitoreo no exceden el máximo permisible establecido en las
105
resoluciones 601 de 2006 y 610 del 2010, siendo estas las normas vigentes para los años objeto de
estudio, que para ambos casos corresponde a 100 µg/m3 en ninguna de las ciudades. En relación
con la comparación de las series de tiempo de los datos provenientes de la red y del OMI se
identificaron algunas similitudes principalmente para la ciudad de Bucaramanga.
En cuanto a la descomposición de las series de tiempo, se encontró que para la componente
tendencial, se puede observar mejor los crecimientos y decrecimientos similares en las series de
tiempo, cuando se realiza el análisis con frecuencias semanales, en esta componente también se
pudo identificar que las series del OMI suelen tener la misma tendencia que las de la red solo que se
da en forma atrasada. Por otro lado, la componente residual permitió evidenciar que en todas las
ciudades estudiadas los datos del OMI se ven afectados por diferentes fenómenos que ocurren en la
atmosfera e interfieren con el valor de la columna que se reporta, como son la concentración de NO2
en partes altas de la atmósfera y la nubosidad. En cuanto al análisis de la componente estacionaria se
comprobó que lo mejor es contrastar los datos con frecuencia mensual y frecuencia semanal en
simultáneo, estas gráficas permitieron observar de manera más clara la estacionalidad de las series,
además se encontró que la estacionalidad tiene un comportamiento similar entre enero y marzo y
agosto y octubre para Bogotá, entre Abril y Julio para Medellín y entre enero y agosto para las
ciudades de Bucaramanga y Cali. Posteriormente, el análisis de espectro permitió realizar un análisis
bajo el dominio de frecuencias de las series de tiempo, en él se comprobó que para el caso del
estudio se observan mejor los picos de frecuencia cuando se utilizan los datos con una frecuencia
diaria, sin embargo se debe tener en cuenta que el porcentaje de datos completados para este caso es
mayor que para los demás. En este sentido, se encontró que las frecuencias que tenían importancia
para las dos series de tiempo eran para Bogotá entre 0 y 250 Hz, para Medellín entre 0 y 50 y 500 y
600 Hz, para Cali en frecuencias muy cercanas a 0 Hz y para Bucaramanga de 0 a 100 Hz. Con las
gráficas generadas con datos semanales y diarios se observó que el OMI presentaba más picos de
frecuencias que la red en todos los casos.
Con respecto a los mapas de distribución espacial para los departamentos de Cundinamarca, Valle
del Cauca, Antioquia, Santander, para cada año entre 2005 y 2016. En Cundinamarca se encontró
que las concentraciones más altas se encuentran en los municipios de Tocancipá, Soacha, Funza,
Mosquera, Madrid, Facatativá, Chía, Cota y Bogotá D.C. Tocancipá muestra la concentración más
alta del departamento superando los valores de Bogotá D.C. y Soacha, solo con excepción de 2016,
106
lo que puede atribuirse al aumento de la actividad industrial de este municipio y al constante tráfico
pesado que se moviliza, por esta zona.
En el departamento del Valle del Cauca, los municipios en los que se observan las concentraciones
más altas son Dagua, Cali, Jamundí, Palmira, Yumbo, Cartago y El Águila. Dagua es el municipio
que presenta la concentración más alta en la mayoría de años, probablemente a causa de la minería
ilegal, la quema de biomasa y de concentrar gran parte del corredor vial que conduce hacia el puerto
de Buenaventura. Para el caso de Cali, la emisión de NO2 está asociada principalmente, a las fuentes
móviles. Palmira y Yumbo, son municipios con fuerte actividad industrial, siendo este último el que
tiene la zona franca más grande del occidente del país.
Los municipios con las concentraciones más altas en el departamento de Antioquia son los
pertenecientes al área metropolitana de Valle de Aburra, y en algunos años, los municipios de Urrao
y Betulia. Para el área metropolitana del Valle de Aburra, las altas concentraciones de NO2 pueden
asociarse a la confluencia de fuentes fijas y móviles. De los municipios de Betulia y Urrao,se estima
que la alta concentración reportada por el OMI, con respecto al resto del departamento, está asociada
a actividades como la minería de carbón, la industria maderera y la producción de caña panelera,
que son las principales actividades económicas de esta zona.
En el departamento de Santander, son los municipios de Encino, Vélez y Puente Nacional los que
presentan una mayor columna troposférica de NO2. Allí sorprende que el área metropolitana de
Bucaramanga no es la que más contribuye con emisiones a la atmósfera, según lo reportado por el
OMI. Los municipios de Vélez y Puente Nacional, son considerados como una de las áreas
industriales más grandes del departamento, por su producción de bocadillo, la ganadería y la caña de
azúcar que podrían ser la causa del alto nivel de concentración presentado por el OMI.
Finalmente en los mapas de distribución generados para todo el país, se encontró que las regiones
que presentan mayor concentración de NO2 son la Andina, Caribe y Pacífica exceptuando para este
último caso los departamentos de Chocó y Nariño, lo que se puede atribuir a que son las regiones
donde hay mayor tráfico vehicular y actividad industrial del país, y se concentra cerca del 88% de la
población del país. Por otro lado, también se obtuvo que el porcentaje de datos válidos para realizar
la distribución era mayor en los departamentos de la región Caribe y la región Amazónica, debido
107
probablemente a condiciones climatológicas con la temperatura promedio, el porcentaje de
cobertura nubosa y a la altitud en donde se encuentran estas regiones.
108
10. RECOMENDACIONES
Para futuros estudios, se recomienda el uso de modelos, que permitan ajustar las unidades de los
datos reportados por el OMI para la columna troposférica, los cuales están dados en moléculas/cm2,
a µg/m3 que son las unidades manejadas por las redes de monitoreo a nivel de concentración en
superficie, puesto que el alcance de este estudio no involucra el uso de ellos. Por otro lado se sugiere
evaluar otras variables meteorológicas como precipitación y humedad relativa, ya que en este
estudio no se contaba con datos para estas variables y se presume que se podrían obtener mejores
coeficientes de correlación. También se sugiere utilizar datos de otros sistemas de Vigilancia de
Calidad del Aire, como la CAR y CORANTIOQUIA, o de sistemas que cuenten con estaciones que
se encuentren fuera de las áreas Urbanas, como es el caso de la CVC, para estimar correlaciones en
otros lugares de los departamentos de Antioquia, Valle y Cundinamarca, donde existen áreas
industriales e importantes fuentes de contaminación fijas y móviles.
Adicionalmente, los datos también pueden ser comparados con los inventarios de fuentes fijas y
móviles que se hayan realizado en las ciudades objeto de estudio, con el fin de tener otra medida de
referencia.
Con respecto al análisis de la estacionalidad de las series de tiempo, una vez establecido los meses
en los que la serie tiene un comportamiento similar para todos los años, se puede evaluar si existe
una gran influencia, dada por el régimen de lluvias y a su vez por el movimiento de la zona de
convergencia Intertropical.
En la distribución espacial de NO2, pueden ser usados otros mecanismos de interpolación diferentes
al modelo IDW utilizado para este estudio, y se puede diseñar un cuadricula con áreas más
pequeñas, que permita observar con más detalle algunos fenómenos que probablemente no pudieron
ser observados. A su vez, se sugiere realizar análisis de la concentración de NO2, tanto con el uso de
sensores remotos, como de evaluación de fuentes fijas, móviles y estudios de morbilidad, en los
municipios y áreas en los que se encontraron altas concentraciones y que no pertenecen a las áreas
urbanas objeto de estudio, como es el caso de los municipios de Tocancipá, en Cundinamarca,
Encino, Vélez y Puente Nacional en Santander, Urrao y Betulia en Antioquía y Dagua, Cartago y El
Águila en el Valle del Cauca.
109
A nivel nacional, también se observan algunas áreas y capitales donde se encuentran
concentraciones mayores o cercanas a las presentadas en Medellín, Cali y Bucaramanga, como es el
caso de Ibagué, Armenia, Pereira, Valledupar y Barranquilla, sugiriendo a las autoridades
ambientales un mayor control y estudio de estas capitales, e incluso la instalación de Sistemas de
Vigilancia de Calidad del Aire
110
11. BIBLIOGRAFÍA
Alcaldía de Vélez - Santander. (n.d.). Retrieved from http://www.velez-
santander.gov.co/index.shtml#1
Alonso, F. (s.f.). Sistemas de Información Geográfica. Universidad de Murcia.
AMVA. (2016). Inventario de emisiones atmosféricas del Valle de Aburra, actualizaciòn 2015.
Medellín.
Badii, M., Guillen, L., Araiza, E., Cerna, J., & Valenzuela, J. (2012). Métodos No-Paramétricos de
Uso Común . International Journal of Good Conscience.
Bonilla, L. (2010). El sector industrial de Barranquilla en el siglo XXI: ¿Cambian finalmente las
tendencias? . Cartagena: Banco de la República.
Camacho, J. (2008). Asociación entre variables: correlación no paramétrica. AMC, 50(3), 144-146.
CÁMARA DE COMERCIO DE MEDELLÍN PARA ANTIOQUIA. (2016). INFORME DE LA
ECONOMÍA ANTIOQUEÑA. Medellín: CÁMARA DE COMERCIO DE MEDELLÍN
PARA ANTIOQUIA.
DANE. (2016). Encuesta de Transporte Urbano de Pasajeros.
DANE. (2017). Encuesta Nacional Manufacturera (EAM) 2016.
DANE. (n.d.). Proyecciones de población 2005-2020. Colombia.
Deok–Rae, K., Jae–Bum, L., Chang Keun, S., Seung–Yeon, K., Young–Il, M., & Kyung–Mi, L.
(2015). Temporal and spatial distribution of tropospheric NO2 over Northeast Asia using
OMI data during the years 2005–2010. Atmospheric Pollution Research, 768-777.
Departamento Administrativo de Planeación. (2013). Perfil subregional del suroeste antioqueño.
Diaz, I., Garcia, C., León, M., Ruiz, F., & Torres, F. (2014, Noviembre). Guía de asociación entre
variables (Pearson y Spearman en SPSS.
Díaz, M. A., Aranza, Y. R., & Orozco, A. (2013). COMPOSICIÓN DE LA ECONOMÍA DE LA
REGIÓN CARIBE DE COLOMBIA. Banco de la Republica.
111
Galán, D., & Fernández, R. (2006). Implicación de los NOx en la atmósfera. M+A Revista
Electrónic@ de Medioambiente, 90-103.
Grajales, J., & Baquero, A. (2014). Inference of surface concentrations of nitrogen dioxide (NO2) in
Colombia from tropospheric columns of the ozone measurement instrument (OMI).
Atmósfera, 27(2), 193-214.
Hernández, C., & Fernández, R. (1998). Metodología de la investigación . México: McGraw-Hill.
IDEAM. (2016). Informe del estado de la Calidad del Aire en Colombia 2011-2015.
IDEAM. (2016). SEGUNDO BOLETÍN. Contaminacion atmosférica Colombia. Retrieved
Septiembre 14, 2017, from
ttp://documentacion.ideam.gov.co/openbiblio/bvirtual/023669/Segundo_boletin_contaminaci
on_atmosferica.pdf
La República. (2018, Marzo 16). Medellín es la ciudad con menos vehículos por kilómetro entre las
capitales. Cali. Retrieved Abril 3, 2018
Lillesand, T., Kiefer, R., & Chipman, J. (2015). Remote Sensing and Image Intrepetation (7 ed.).
Wiley.
MAVDT. (2008). Protocolo para el monitoreo y seguimiento de la calidad del aire. Bogotá.
Mc Granahan, G., & Murray, F. (2003). Air Pollution and Health in Rapidly Developing Countries.
Management of Environmental Quality: An International Journal, 14(4), 542-543. Retrieved
from https://doi.org/10.1108/meq.2003.14.4.542.5
Medellín, S. d. (n.d.). Retrieved Marzo 24, 2018, from https://www.medellin.gov.co/movilidad/
Ministerio de Ambiente, Vivienda y Desarrollo Territorial. (2010, Marzo 24). Resolución 610 de
2010. doi:47.672
Ministerio de Trabajo. (2013). Perfil productivo municipio de Cartago.
Ministerio de Trabajo. (2013). Perfil productivo municipio El Águila.
112
Minitab. (2017). Minitab Statical Software. Retrieved from https://support.minitab.com/es-
mx/minitab/18/help-and-how-to/graphs/how-to/boxplot/interpret-the-results/quartiles/
Montoya, S. (2016). Aplicaciones de NASA Giovanni en la evaluación de recursos hídricos / medio
ambiente. Entrada de blog. Retrieved Septiembre 17, 2017, from http://gidahatari.com/ih-
es/aplicaciones-de-nasa-giovanni-en-la-evaluacion-derecursos-
NASA. (2011, Noviembre). Una introducción a la percepción remota, Applied Remote Sensing
Education and Training. Retrieved Septiembre 15, 2017, from
http://slideplayer.es/slide/3915455/
NASA. (2012). What is a satellite? Retrieved Septiembre 18, 2017, from
https://www.nasa.gov/directorates/heo/scan/communications/outreach/funfacts/txt_s
NASA. (2017). AURA, atmospheric chemistry. Retrieved Febrero 14, 2018, from
https://aura.gsfc.nasa.gov/omi.html
Nava, A. (2013). Introducción a series de tiempo . In Procesamiento de series de tiempo (pp. 44-50).
México : Ediciones Cientificas Universitarias.
Oner, E., & Kaynak, B. (2016). Evaluation of NOx emissions for Turkey using satellite and
groundbased observations. Atmospheric Pollution Research, 419-430.
Parra, A. (2014). Explotación minera en la cuenca del rio Dagua. Una mirada desde la teoria del
actor-red. Universidad Icesi. SERIE DOCUMENTOS DE TRABAJO DEL CIES.
Pérez, D. (2007). Introducción a los sensores remotos - Aplicaciones en geología. Buenos Aires.
Rivera, C., Stremme, W., & Grutter, M. (2013). Nitrogen dioxide DOAS measurements from
ground and space: comparison of zenith scattered sunlight ground-based measurements and
OMI data in Central Mexico. Atmósfera, 26(3), 401-414.
Salazar Mejía, I. (2010). Geografía económica de la región Andina Oriental. Cartagena de Indias:
Banco de la República .
Science Learning Hub. (n.d.). Retrieved Septiembre 16, 2017, from
https://www.sciencelearn.org.nz/resources/271-natural-satellites.
113
SNIARN. (2010). Compendio de estadísticas ambientales 2010. Ciudad de México.
Stoker, H., & Seager, S. (1981). Química ambiental: contaminación del aire y del agua. Blume.
Turner, D., & Schulze, R. (2007). Practical Guide to Atmospheric Dispersion Modeling. Air and
Waste Management Association – Trinity Consultants, Inc.
Tyler, N., & Acevedo, J. (2013). Caracterización de la contaminación atmosférica en Colombia.
University College London, Universidad de Los Andes. Retrieved Septiembre 15, 2017,
from https://prosperityfund.uniandes.edu.co/site/wp-
content/uploads/Caracterizaci%C3%B3n-de-la-contaminaci%C3%B3n-
atmosf%C3%A9rica-en-Colombia.pdf
Ul–Haq, Z., Tariq, S., Ali, M., Mahmood, K., Batool, S., & Rana, A. (2014). A study of
tropospheric NO2 variability over Pakistan using OMI data. Atmospheric Pollution
Research, 709-720.
Valencia Valencia, F., Cortázar Gómez, D., & López Soto, A. M. (2013). COMPOSICIÓN DE LA
ECONOMÍA DE LA REGIÓN EJE CAFETERO DE COLOMBIA. Banco de la República.
Villavicencio, J. (2015). Introducción a Series de Tiempo.
Wang, B., & Chen, Z. (2013). An intercomparison of satellite-derived ground-level NO2
concentrations with GMSMB modeling results and in-situ measurements – A North
American study. Environmental Pollution(181), 172-181.
WHO. (2009). Healthy and Environmental Linkages Policy Series. Retrieved 11 15, 2017, from
http://www.who.int/heli/en/
Zyrichidou, I., Koukouli, M., Balis, D., Kioutsioukis, I., Poupkou, E., Katragkou, D., & Melas, K.
(2013). Evaluation of high resolution simulated and OMI retrieved tropospheric NO2
column densities over Southeastern Europe. Atmospheric Research, 55-66.
114
12. ANEXOS
Anexo 1. Coordenadas ciudades seleccionadas
DPTO CIUDAD NORTE ESTE SUR OESTE
Amazonas Leticia -2.999 -69.668 -3.008 -70.374
Antioquía Angelopolis 6.121 -75.703 6.104 -75.717
Antioquía Armenia 6.165 -75.778 6.149 -75.789
Antioquía Barbosa 6.451 -75.319 6.426 -75.346
Antioquía Dabeiba 7.006 -76.255 6.991 -76.271
Antioquía Fredonia 5.936 -75.663 5.919 -75.685
Antioquía Girardota 6.392 -75.432 6.364 -75.462
Antioquía Medellín 6.319 -75.487 6.167 -75.685
Antioquía Montebello 5.950 -75.520 5.943 -75.526
Antioquía Puerto Berrio 6.500 -74.394 6.465 -74.424
Antioquía Salgar 5.967 -75.962 5.958 -75.984
Antioquía Turbo 8.105 -76.716 8.066 -76.744
Antioquía Urrao 6.332 -76.122 6.297 -76.143
Antioquía Yolombo 6.605 -75.007 6.586 -75.023
Arauca Arauca 7.101 -70.731 7.054 -70.781
Atlántico Barranquilla 11.042 -74.788 10.921 -74.856
Bogotá D.C. Bogotá 4.836 -73.994 4.451 -74.219
Bolívar Cartagena de
Indias
10.452 -75.447 10.326 -75.582
Bolívar Morales 8.283 -73.863 8.268 -73.876
Boyacá Jerico 6.150 -72.567 6.142 -72.574
Boyacá Puerto Boyacá 5.989 -74.563 5.963 -74.605
Boyacá Tunja 5.583 -73.324 5.494 -73.385
Caldas Manizales 5.108 -75.414 5.027 -75.551
Caldas Riosucio 5.438 -75.690 5.411 -75.713
Caldas Salamina 5.412 -75.481 5.393 -75.493
Caldas Samana 5.417 -74.986 5.410 -74.996
Caldas Victoria 5.324 -74.902 5.311 -74.918
Caldas La Dorada 5.505 -74.641 5.435 -74.699
Caquetá Florencia 1.649 -75.572 1.591 -75.635
Caquetá San Vicente Del
Caguan
2.129 -75.759 2.100 -74.800
Casanare Yopal 5.354 -72.384 5.309 -72.410
Cauca Bolivar 1.845 -76.959 1.831 -76.972
Cauca Buenos Aires 3.021 -76.636 3.002 -76.251
Cauca Popayán 2.500 -76.554 2.418 -76.641
Cauca Timbiqui 2.784 -79.660 2.768 -77.670
Cesar Valledupar 10.505 -73.245 10.424 -73.279
115
Cesar La Gloria 8.627 -73.794 8.608 -73.809
Chocó Bojayá 6.565 -76.876 6.552 -76.895
Chocó Quibdó 5.716 -76.633 5.674 -76.664
Chocó Riosucio 7.446 -77.100 7.431 -77.120
Córdoba Ayapel 8.323 -75.131 8.295 -75.165
Córdoba Montería 8.805 -75.845 8.714 -75.915
Córdoba Tierralta 8.188 -76.042 8.153 -76.082
Cundinamarca Anapoima 4.579 -74.520 4.545 -74.546
Cundinamarca Cabrera 4.050 -74.354 3.768 -74.573
Cundinamarca Chía 49.133 -74.004 4.822 -74.075
Cundinamarca Choachí 4.535 -73.918 4.521 -73.928
Cundinamarca Facatativá 4.829 -74.324 4.790 -74.369
Cundinamarca Girardot 4.342 -74.757 4.278 -74.833
Cundinamarca Madrid 4.747 -74.242 4.721 -74.283
Cundinamarca Paratebueno 4.388 -73.196 4.367 -73.288
Cundinamarca Quetame 4.332 -73.860 4.327 -73.865
Cundinamarca Sibaté 4.497 -74.252 4.476 -74.268
Cundinamarca Soacha 4.585 -74.175 4.563 -74.250
Cundinamarca Sopó 4.924 -73.940 4.899 -73.954
Cundinamarca Tocancipá 4.970 -73.901 4.959 -73.937
Cundinamarca Ubalá 4.754 -73.526 4.740 -73.540
Cundinamarca Ubaté 5.331 -73.798 5.287 -73.836
Cundinamarca Villeta 5.030 -74.458 4.991 -74.488
Cundinamarca Yacopi 5.464 -74.335 5.455 -74.342
Cundinamarca Zipaquirá 5.039 -73.969 5.000 -74.012
Guainía Puerto Inírida 3.880 -67.915 3.856 -67.934
Guaviare San José del
Guaviare
2.588 -72.627 2.549 -72.648
Huila Neiva 29.852 -75.234 2.888 -75.313
La Guajira Riohacha 11.558 -72.893 11.513 -72.930
La Guajira San Juan Del
Cesar
10.786 -72.987 10.753 -73.021
Magdalena Piviyay 10.469 -74.602 10.451 -74.624
Magdalena Santa Marta 11.261 -74.170 11.203 -74.209
Meta Villavicencio 4.177 -73.570 4.070 -73.677
Meta Mesetas 3.390 -74.036 3.375 -74.052
Meta Puerto López 4.110 -72.933 4.068 -72.988
Meta San Martin 3.716 -73.684 3.680 -73.714
Nariño Pasto 1.252 -77.249 1.165 -77.307
N. de Santander Cúcuta 7.961 -72.465 7.859 -72.552
N. de Santander Pamplonita 7.441 -72.633 7.433 -72.641
Putumayo Mocoa 1.161 -76.643 1.140 -76.660
116
Quindío Armenia 4.580 -75.635 4.501 -75.722
Risaralda Pereira 4.830 -75.663 4.777 -75.770
San Andrés San Andrés 12.593 -81.677 12.481 -81.742
Santander Barrancabermeja 7.085 -73.806 7.032 -73.888
Santander Bucaramanga 7.168 -73.098 7.072 -73.175
Santander Cimitarra 6.324 -73.942 6.305 -73.958
Santander Puerto Wilches 7.354 -73.888 7.324 -73.913
Santander Rionegro 7.274 -73.144 7.254 -73.157
Santander San Gil 6.568 -73.116 6.538 -73.154
Santander Vélez 6.016 -73.663 6.001 -73.681
Santander Encino 6.140 -73.097 6.135 -73.100
Santander Puente Nacional 5.885 -73.669 5.870 -73.687
Sucre Sincelejo 9.327 -75.370 9.259 -75.420
Tolima Espinal 4.165 -74.864 4.136 -74.906
Tolima Ibagué 4.468 -75.109 4.366 -75.279
Tolima Roncesvalles 4.016 -75.601 4.005 -75.609
Tolima Santa Isabel 4.717 -75.092 4.710 -75.103
Valle del Cauca Buenaventura 3.896 -76.964 3.852 -77.085
Valle del Cauca Caicedonia 4.344 -75.817 4.322 -75.835
Valle del Cauca Cali 3.504 -76.469 3.279 -76.574
Valle del Cauca Cartago 4.775 -75.892 4.718 -75.961
Valle del Cauca Dagua 3.665 -76.680 3.651 -76.695
Valle del Cauca El Aguila 4.915 -76.038 4.905 -76.047
Valle del Cauca Florida 3.332 -76.224 3.313 -76.247
Valle del Cauca Jamundí 3.277 -76.524 3.237 -76.553
Valle del Cauca Palmira 3.565 -76.263 3.497 -76.339
Valle del Cauca Roldanillo 4.426 -76.141 4.400 -76.166
Valle del Cauca Tulua 4.125 -76.171 4.054 -76.227
Valle del Cauca Yumbo 3.591 -76.430 3.546 -76.500
Vaupes Mitú 1.272 -70.225 1.232 -70.239
Vichada Puerto Carreño 6.201 -67.475 6.167 -67.496
Vichada Santa Rosalía 5.147 -70.853 5.125 -70.876
117
Anexo 2. Datos NO2 provenientes del OMI
BOGOTÁ OMI (molec./cm2)
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
ene/05 1,5E+23 ene/08 1,1E+23 ene/11 3,4E+23 ene/14 2,3E+23
feb/05 1,8E+23 feb/08 1,3E+23 feb/11 1,0E+23 feb/14 1,9E+23
mar/05 1,3E+23 mar/08 1,5E+23 mar/11 1,0E+23 mar/14 3,0E+23
abr/05 1,5E+23 abr/08 1,3E+23 abr/11 1,1E+23 abr/14 1,3E+23
may/05 2,2E+23 may/08 2,1E+23 may/11 2,4E+22 may/14 1,6E+23
jun/05 1,1E+23 jun/08 2,1E+23 jun/11 1,5E+23 jun/14 1,3E+23
jul/05 7,5E+22 jul/08 1,9E+22 jul/11 NA jul/14 9,7E+22
ago/05 2,1E+23 ago/08 2,5E+23 ago/11 9,4E+22 ago/14 2,4E+23
sep/05 3,2E+23 sep/08 1,2E+23 sep/11 1,3E+23 sep/14 1,2E+23
oct/05 9,9E+22 oct/08 1,2E+23 oct/11 1,7E+23 oct/14 2,2E+23
nov/05 9,3E+22 nov/08 1,3E+23 nov/11 NA nov/14 8,3E+22
dic/05 1,4E+23 dic/08 2,0E+23 dic/11 2,2E+23 dic/14 1,8E+23
ene/06 1,3E+23 ene/09 3,1E+23 ene/12 1,7E+23 ene/15 1,7E+23
feb/06 2,3E+23 feb/09 2,2E+23 feb/12 2,5E+23 feb/15 3,1E+23
mar/06 2,8E+23 mar/09 2,3E+23 mar/12 2,6E+23 mar/15 2,4E+23
abr/06 1,5E+23 abr/09 7,8E+22 abr/12 1,3E+23 abr/15 8,1E+22
may/06 2,1E+23 may/09 2,7E+23 may/12 6,1E+22 may/15 1,6E+23
jun/06 9,8E+22 jun/09 1,2E+23 jun/12 1,7E+23 jun/15 2,1E+22
jul/06 1,2E+23 jul/09 1,3E+23 jul/12 6,6E+22 jul/15 1,2E+23
ago/06 1,1E+23 ago/09 1,2E+23 ago/12 4,2E+23 ago/15 1,8E+23
sep/06 1,5E+23 sep/09 9,0E+22 sep/12 7,7E+22 sep/15 1,1E+23
oct/06 1,2E+23 oct/09 2,4E+23 oct/12 3,7E+23 oct/15 1,8E+23
nov/06 1,6E+23 nov/09 3,8E+23 nov/12 3,6E+22 nov/15 6,9E+22
dic/06 1,8E+23 dic/09 1,6E+23 dic/12 2,2E+23 dic/15 8,2E+22
ene/07 1,2E+23 ene/10 2,6E+23 ene/13 2,9E+23 ene/16 3,1E+23
feb/07 2,5E+23 feb/10 2,3E+23 feb/13 NA feb/16 2,7E+23
mar/07 3,1E+23 mar/10 9,4E+22 mar/13 1,5E+23 mar/16 2,0E+23
abr/07 2,7E+23 abr/10 2,4E+23 abr/13 2,4E+23 abr/16 2,0E+23
may/07 1,8E+23 may/10 2,5E+23 may/13 9,9E+22 may/16 1,7E+23
jun/07 1,3E+23 jun/10 6,4E+22 jun/13 1,0E+23 jun/16 1,9E+23
jul/07 2,1E+23 jul/10 1,3E+23 jul/13 1,4E+23 jul/16 1,6E+22
ago/07 6,1E+22 ago/10 7,3E+22 ago/13 3,0E+21 ago/16 1,1E+23
sep/07 1,1E+23 sep/10 1,9E+22 sep/13 2,1E+23 sep/16 1,8E+23
oct/07 2,0E+23 oct/10 1,8E+23 oct/13 1,7E+23 oct/16 2,9E+23
nov/07 1,3E+23 nov/10 6,6E+22 nov/13 2,2E+23 nov/16 7,0E+22
dic/07 2,7E+23 dic/10 1,0E+23 dic/13 1,7E+23 dic/16 1,4E+23
118
MEDELLÍN OMI
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
ene-12 NA ene-13 9,9E+22 ene-14 9,8E+22 ene-15 9,8E+22
feb-12 NA feb-13 7,7E+22 feb-14 9,9E+22 feb-15 1,9E+21
mar-12 8,0E+22 mar-13 9,8E+22 mar-14 7,2E+22 mar-15 8,9E+22
abr-12 6,4E+22 abr-13 9,0E+22 abr-14 1,0E+23 abr-15 4,9E+22
may-12 8,3E+22 may-13 1,4E+23 may-14 2,0E+23 may-15 5,4E+22
jun-12 1,5E+23 jun-13 6,8E+22 jun-14 9,4E+22 jun-15 1,1E+23
jul-12 7,4E+22 jul-13 1,1E+23 jul-14 8,1E+22 jul-15 7,6E+22
ago-12 1,1E+23 ago-13 8,8E+22 ago-14 1,4E+23 ago-15 1,5E+23
sep-12 1,1E+23 sep-13 1,6E+23 sep-14 9,8E+22 sep-15 1,0E+23
oct-12 9,0E+22 oct-13 9,7E+22 oct-14 1,1E+23 oct-15 9,8E+22
nov-12 1,3E+23 nov-13 1,2E+23 nov-14 6,0E+22 nov-15 8,0E+22
dic-12 1,1E+23 dic-13 8,2E+22 dic-14 8,1E+22 dic-15 6,4E+22
CALI OMI (molec./cm2)
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
ene-13 NA oct-13 8,7E+22 jul-14 1,1E+23 abr-15 1,5E+23
feb-13 NA nov-13 8,8E+22 ago-14 1,1E+23 may-15 1,5E+23
mar-13 6,2E+22 dic-13 9,0E+22 sep-14 1,2E+23 jun-15 1,5E+23
abr-13 6,6E+22 ene-14 9,3E+22 oct-14 1,2E+23 jul-15 1,5E+23
may-13 7,2E+22 feb-14 1,0E+23 nov-14 1,3E+23 ago-15 1,6E+23
jun-13 7,7E+22 mar-14 1,0E+23 dic-14 1,3E+23 sep-15 1,6E+23
jul-13 8,3E+22 abr-14 1,1E+23 ene-15 1,3E+23 oct-15 1,7E+23
ago-13 8,5E+22 may-14 1,1E+23 feb-15 1,3E+23 nov-15 1,9E+23
sep-13 8,6E+22 jun-14 1,1E+23 mar-15 1,4E+23 dic-15 2,1E+23
BUCARAMNGA OMI (molec./cm2)
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
ene-05 7,3E+22 jul-05 6,9E+22 ene-06 7,6E+22 jul-06 5,2E+22
feb-05 6,7E+22 ago-05 5,8E+22 feb-06 1,0E+23 ago-06 7,2E+22
mar-05 6,7E+22 sep-05 1,3E+23 mar-06 7,6E+22 sep-06 1,0E+23
abr-05 4,3E+22 oct-05 8,6E+22 abr-06 7,6E+22 oct-06 8,4E+22
may-05 7,8E+22 nov-05 4,4E+22 may-06 6,7E+22 nov-06 4,0E+22
jun-05 6,2E+22 dic-05 8,8E+22 jun-06 6,3E+22 dic-06 5,6E+22
119
Anexo 3. Datos provenientes de la Red
BOGOTÁ Red NO2 (ug/m3)
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
ene/05 4,4 ene/08 17,4 ene/11 21,8 ene/14 18,8
feb/05 7,4 feb/08 19,0 feb/11 23,4 feb/14 19,2
mar/05 19,3 mar/08 24,1 mar/11 20,5 mar/14 19,3
abr/05 8,1 abr/08 22,7 abr/11 18,6 abr/14 17,2
may/05 12,7 may/08 20,6 may/11 15,3 may/14 15,2
jun/05 48,6 jun/08 12,4 jun/11 13,4 jun/14 13,2
jul/05 10,7 jul/08 13,0 jul/11 14,2 jul/14 15,5
ago/05 16,5 ago/08 16,7 ago/11 18,6 ago/14 18,5
sep/05 19,1 sep/08 18,6 sep/11 22,5 sep/14 19,8
oct/05 30,4 oct/08 18,4 oct/11 25,2 oct/14 19,0
nov/05 26,0 nov/08 21,1 nov/11 20,3 nov/14 19,7
dic/05 29,8 dic/08 20,9 dic/11 18,4 dic/14 19,7
ene/06 11,1 ene/09 15,9 ene/12 20,7 ene/15 19,3
feb/06 14,9 feb/09 17,9 feb/12 19,2 feb/15 22,9
mar/06 15,5 mar/09 19,4 mar/12 19,5 mar/15 19,4
abr/06 14,1 abr/09 18,3 abr/12 14,0 abr/15 18,3
may/06 12,5 may/09 16,2 may/12 13,2 may/15 13,5
jun/06 16,2 jun/09 12,1 jun/12 14,7 jun/15 15,2
jul/06 10,0 jul/09 13,4 jul/12 16,1 jul/15 14,9
ago/06 16,1 ago/09 19,9 ago/12 17,9 ago/15 19,3
sep/06 11,4 sep/09 20,6 sep/12 20,9 sep/15 22,9
oct/06 12,6 oct/09 25,3 oct/12 21,3 oct/15 22,6
nov/06 12,0 nov/09 20,8 nov/12 16,4 nov/15 17,7
dic/06 24,6 dic/09 21,4 dic/12 20,7 dic/15 21,0
ene/07 16,4 ene/10 23,5 ene/13 21,1 ene/16 20,0
feb/07 22,1 feb/10 23,6 feb/13 20,3 feb/16 21,7
mar/07 23,6 mar/10 23,9 mar/13 19,7 mar/16 18,8
abr/07 23,0 abr/10 20,9 abr/13 18,1 abr/16 11,9
may/07 14,6 may/10 19,6 may/13 17,9 may/16 9,6
jun/07 11,5 jun/10 17,2 jun/13 16,8 jun/16 9,5
jul/07 15,3 jul/10 19,7 jul/13 16,6 jul/16 11,5
ago/07 15,4 ago/10 21,8 ago/13 17,9 ago/16 16,0
sep/07 20,5 sep/10 26,0 sep/13 20,3 sep/16 26,8
oct/07 26,8 oct/10 24,1 oct/13 17,6 oct/16 19,9
nov/07 31,5 nov/10 22,7 nov/13 18,9 nov/16 19,8
dic/07 22,7 dic/10 20,8 dic/13 15,6 dic/16 13,7
120
MEDELLÍN Red NO2 (ug/m3)
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
ene-12 NA ene-13 24,1 ene-14 32,2 ene-15 27,0
feb-12 NA feb-13 39,3 feb-14 39,5 feb-15 36,9
mar-12 56,1 mar-13 27,3 mar-14 36,8 mar-15 35,9
abr-12 33,8 abr-13 29,5 abr-14 34,0 abr-15 41,8
may-12 44,2 may-
13
26,8 may-
14
37,9 may-
15
32,5
jun-12 28,0 jun-13 23,5 jun-14 26,0 jun-15 21,7
jul-12 19,3 jul-13 28,9 jul-14 20,9 jul-15 27,9
ago-12 20,9 ago-13 36,8 ago-14 26,7 ago-15 25,1
sep-12 20,4 sep-13 44,1 sep-14 34,9 sep-15 32,3
oct-12 28,8 oct-13 41,0 oct-14 34,9 oct-15 37,2
nov-12 27,9 nov-13 34,6 nov-14 39,4 nov-15 38,3
dic-12 30,9 dic-13 34,3 dic-14 34,8 dic-15 31,9
CALI Red NO2 (ug/m3)
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
ene-13 NA oct-13 17,58 jul-14 10,85 abr-15 14,35
feb-13 NA nov-13 11,70 ago-14 14,52 may-
15
20,62
mar-13 17,28 dic-13 NA sep-14 14,93 jun-15 20,49
abr-13 17,29 ene-14 14,92 oct-14 14,99 jul-15 16,89
may-13 14,36 feb-14 18,74 nov-14 NA ago-15 18,27
jun-13 13,98 mar-14 10,08 dic-14 NA sep-15 19,93
jul-13 14,93 abr-14 11,37 ene-15 10,66 oct-15 20,75
ago-13 15,36 may-
14
11,92 feb-15 13,98 nov-15 19,43
sep-13 15,34 jun-14 9,64 mar-15 16,79 dic-15 22,00
BUCARAMANGA NO2 Red (ug/m3)
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
Mes Concentra-
ción
ene-05 55,92 jul-05 68,95 ene-06 68,80 jul-06 36,54
feb-05 58,20 ago-05 73,56 feb-06 61,32 ago-06 43,49
mar-05 59,55 sep-05 84,58 mar-06 43,52 sep-06 41,02
abr-05 56,30 oct-05 84,91 abr-06 31,01 oct-06 36,02
may-05 51,84 nov-05 73,47 may-
06
31,38 nov-06 32,02
jun-05 55,78 dic-05 69,37 jun-06 32,20 dic-06 31,04
121
BOGOTÁ Red Otras Variables
Mes Radiación
Solar Global
(w/m2)
Velocidad del
viento (m/s)
Mes Radiación
Solar Global
(w/m2)
Velocidad
del viento
(m/s)
ene-11 690,17 2,94 sep-13 647,45 3,62
feb-11 724,25 3,24 oct-13 594,81 3,32
mar-11 541,63 3,38 nov-13 747,33 3,33
abr-11 683,88 3,21 dic-13 694,14 3,12
may-11 821,88 3,91 ene-14 623,04 3,19
jun-11 423,42 2,89 feb-14 621,13 3,41
ago-11 677,98 3,63 mar-14 893,50 3,81
sep-11 636,88 3,39 abr-14 649,00 3,10
oct-11 574,25 2,70 may-14 691,92 2,90
dic-11 603,44 3,11 jun-14 570,33 3,86
ene-12 604,79 3,08 jul-14 746,75 3,53
feb-12 708,85 2,65 ago-14 759,33 3,61
mar-12 632,00 2,21 sep-14 616,20 3,31
abr-12 704,75 3,04 oct-14 569,33 2,97
may-12 620,88 3,47 nov-14 546,63 3,02
jun-12 693,18 3,56 dic-14 614,79 3,27
jul-12 690,38 3,95 ene-15 661,36 3,09
ago-12 486,33 3,37 feb-15 772,32 2,97
sep-12 773,75 3,86 mar-15 648,15 3,05
oct-12 635,06 3,67 abr-15 548,25 3,08
nov-12 492,83 2,54 may-15 728,17 2,94
dic-12 624,24 2,76 jun-15 503,00 3,56
ene-13 688,43 2,59 jul-15 715,17 3,42
mar-13 615,38 2,86 ago-15 680,44 3,42
abr-13 438,47 2,94 sep-15 694,50 3,05
may-13 866,25 4,12 oct-15 546,79 2,98
jun-13 672,17 3,15 nov-15 627,88 3,33
jul-13 728,56 3,83 dic-15 560,55 3,68
ago-13 815,25 4,23
MEDELLÍN Red Otras Variables
Mes Radiación
Solar Global
(w/m2)
Velocidad del
viento (m/s)
Mes Radiación
Solar Global
(w/m2)
Velocidad
del viento
(m/s)
may-12 982,00 1,00 abr-14 850,33 3,00
jun-12 757,02 2,13 may-14 716,91 3,06
jul-12 807,35 1,96 jun-14 701,31 2,82
122
ago-12 836,10 2,00 jul-14 689,16 2,28
sep-12 959,52 1,77 ago-14 763,87 2,04
oct-12 982,97 1,50 sep-14 763,44 2,04
nov-12 795,81 2,44 oct-14 797,69 1,97
dic-12 779,89 1,94 nov-14 849,64 2,12
ene-13 806,29 2,88 dic-14 781,34 2,19
feb-13 834,79 3,01 ene-15 791,44 2,20
abr-13 709,76 2,97 feb-15 855,08 2,15
may-13 788,80 3,49 mar-15 811,08 2,18
jun-13 808,13 3,17 abr-15 805,60 1,89
jul-13 754,12 3,49 may-15 778,83 1,91
ago-13 800,21 3,44 jun-15 723,83 2,17
sep-13 843,56 3,11 jul-15 567,41 2,00
oct-13 799,17 2,80 ago-15 815,74 2,01
nov-13 785,27 2,89 sep-15 852,41 2,22
dic-13 729,06 2,88 oct-15 813,64 1,98
ene-14 802,30 3,13 nov-15 768,40 2,02
feb-14 826,18 2,91 dic-15 671,05 2,21
mar-14 894,60 2,82
CALI Red Otras Variables
Mes Radiación
Solar Global
(w/m2)
Velocidad del
viento (m/s)
Mes Radiación
Solar Global
(w/m2)
Velocidad
del viento
(m/s)
mar-13 839,09 0,95 jul-14 549,42 1,19
abr-13 749,07 0,72 ago-14 628,49 1,43
may-13 685,20 0,76 sep-14 633,18 1,63
jun-13 703,71 0,70 oct-14 602,28 1,53
jul-13 772,58 0,81 ene-15 633,45 1,20
ago-13 825,23 0,88 mar-15 481,55 1,78
sep-13 822,68 1,08 abr-15 436,32 1,67
oct-13 741,43 1,01 may-15 421,10 1,59
nov-13 720,10 1,01 jun-15 412,98 1,51
ene-14 790,32 1,23 jul-15 381,94 1,59
feb-14 755,78 1,20 ago-15 453,60 0,84
mar-14 859,18 0,74 sep-15 432,56 2,25
abr-14 575,38 1,67 oct-15 449,40 1,77
may-14 575,29 1,41 nov-15 387,71 1,58
jun-14 540,58 1,46 dic-15 409,40 1,73
123
Anexo 4. Concentración anual NO2 (moléculas/cm2) por ciudad
DPTO CIUDAD 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016
Amazonas Leticia 3,3E+22 2,6E+22 3,5E+22 2,7E+22 2,8E+22 3,3E+22 3,3E+22 3,3E+22 3,0E+22 3,2E+22 3,1E+22 3,0E+22
Antioquia Andes 6,7E+22 6,8E+22 1,0E+23 7,4E+22 8,2E+22 8,2E+22 8,8E+22 1,0E+23 8,6E+22 7,9E+22 7,9E+22 9,1E+22
Antioquia Angelopolis 9,5E+22 1,1E+23 9,5E+22 8,8E+22 1,1E+23 1,0E+23 1,0E+23 1,0E+23 9,4E+22 1,1E+23 1,1E+23 1,1E+23
Antioquia Anori 9,4E+22 9,3E+22 9,3E+22 7,8E+22 8,9E+22 9,5E+22 8,6E+22 8,5E+22 8,7E+22 9,0E+22 1,1E+23 7,9E+22
Antioquia Armenia 9,0E+22 1,2E+23 1,2E+23 9,9E+22 1,1E+23 9,0E+22 1,0E+23 9,4E+22 1,2E+23 9,3E+22 1,1E+23 1,1E+23
Antioquia Barbosa 8,1E+22 8,6E+22 8,9E+22 8,6E+22 9,3E+22 9,0E+22 1,0E+23 8,4E+22 8,8E+22 8,2E+22 9,1E+22 9,6E+22
Antioquia Dabeiba 6,1E+22 6,1E+22 5,5E+22 5,5E+22 6,8E+22 6,2E+22 5,5E+22 5,8E+22 6,0E+22 6,5E+22 5,9E+22 5,6E+22
Antioquia Fredonia 8,2E+22 8,3E+22 9,1E+22 8,4E+22 9,9E+22 9,9E+22 7,8E+22 9,2E+22 9,8E+22 1,0E+23 9,1E+22 9,4E+22
Antioquia Girardota 8,1E+22 8,6E+22 8,9E+22 8,6E+22 9,3E+22 9,0E+22 1,0E+23 8,4E+22 8,8E+22 8,2E+22 9,1E+22 9,6E+22
Antioquia Medellín 1,1E+23 1,1E+23 1,1E+23 1,1E+23 1,1E+23 1,1E+23 9,3E+22 1,1E+23 1,2E+23 1,2E+23 1,0E+23 1,1E+23
Antioquia Montebello 8,2E+22 8,3E+22 9,1E+22 8,4E+22 9,9E+22 9,9E+22 7,8E+22 9,2E+22 9,8E+22 1,0E+23 9,1E+22 9,4E+22
Antioquia Puerto Berrio 7,6E+22 7,5E+22 7,0E+22 7,2E+22 8,3E+22 7,1E+22 7,1E+22 7,5E+22 7,7E+22 7,9E+22 8,7E+22 8,6E+22
Antioquia Rionegro 9,4E+22 8,3E+22 9,0E+22 8,7E+22 9,1E+22 9,6E+22 1,0E+23 8,6E+22 8,2E+22 9,4E+22 9,6E+22 9,5E+22
Antioquia Salgar 8,5E+22 8,3E+22 9,2E+22 8,0E+22 9,5E+22 9,6E+22 8,8E+22 9,8E+22 9,0E+22 9,5E+22 8,6E+22 9,5E+22
Antioquia San Carlos 9,6E+22 9,2E+22 8,5E+22 8,9E+22 1,1E+23 9,8E+22 9,5E+22 9,6E+22 9,4E+22 9,8E+22 1,1E+23 9,4E+22
Antioquia Titiribi 9,5E+22 1,1E+23 9,5E+22 8,8E+22 1,1E+23 1,0E+23 1,0E+23 1,0E+23 9,4E+22 1,1E+23 1,1E+23 1,1E+23
Antioquia Turbo 4,9E+22 4,7E+22 4,7E+22 5,1E+22 6,2E+22 5,1E+22 4,4E+22 5,5E+22 5,4E+22 4,7E+22 4,8E+22 5,8E+22
Antioquia Urrao 9,7E+22 1,1E+23 9,9E+22 9,3E+22 1,1E+23 9,3E+22 1,0E+23 1,1E+23 8,9E+22 1,2E+23 8,7E+22 9,8E+22
Antioquia Yolombo 9,1E+22 7,8E+22 7,5E+22 8,8E+22 8,7E+22 9,1E+22 7,9E+22 8,4E+22 9,4E+22 9,3E+22 8,7E+22 8,9E+22
Antioquia Yondo 6,1E+22 6,0E+22 6,4E+22 5,5E+22 7,0E+22 6,8E+22 6,6E+22 6,9E+22 6,3E+22 6,9E+22 7,7E+22 6,9E+22
Arauca Arauca 6,4E+22 6,1E+22 6,8E+22 6,8E+22 7,5E+22 8,1E+22 5,5E+22 6,0E+22 7,4E+22 6,3E+22 6,7E+22 6,6E+22
Atlántico Barranquilla 1,1E+23 1,1E+23 1,2E+23 1,1E+23 9,9E+22 1,0E+23 8,8E+22 9,8E+22 1,0E+23 1,1E+23 1,0E+23 1,2E+23
Bogotá Bogotá 1,5E+23 1,6E+23 1,9E+23 1,5E+23 1,6E+23 1,7E+23 1,8E+23 1,8E+23 1,8E+23 1,7E+23 1,7E+23 2,3E+23
Bolivar Cartagena de Indias 8,1E+22 8,7E+22 8,2E+22 8,1E+22 8,4E+22 8,2E+22 8,9E+22 9,8E+22 8,3E+22 9,3E+22 8,8E+22 9,6E+22
Bolivar Santa Rosa del sur 9,2E+22 9,3E+22 8,4E+22 8,0E+22 7,6E+22 7,5E+22 9,3E+22 8,2E+22 9,6E+22 9,4E+22 8,5E+22 8,6E+22
124
Boyacá Puerto Boyaca 8,5E+22 8,6E+22 8,0E+22 7,7E+22 9,2E+22 8,3E+22 7,8E+22 9,3E+22 8,9E+22 9,5E+22 1,1E+23 8,9E+22
Boyacá Tunja 8,5E+22 8,0E+22 1,1E+23 9,8E+22 8,9E+22 7,7E+22 8,8E+22 9,6E+22 1,1E+23 8,1E+22 7,5E+22 9,8E+22
Caldas La Dorada 8,3E+22 9,9E+22 1,0E+23 8,3E+22 9,8E+22 9,5E+22 8,8E+22 9,8E+22 1,0E+23 1,1E+23 1,2E+23 9,5E+22
Caldas Manizales 7,9E+22 8,3E+22 9,5E+22 7,0E+22 6,9E+22 7,7E+22 8,8E+22 9,0E+22 8,9E+22 9,6E+22 8,4E+22 7,9E+22
Caldas Riosucio 7,4E+22 8,5E+22 8,4E+22 7,9E+22 9,9E+22 7,9E+22 8,0E+22 7,4E+22 7,7E+22 7,4E+22 8,3E+22 8,9E+22
Caldas Salamina 7,4E+22 8,4E+22 7,8E+22 8,0E+22 8,5E+22 6,9E+22 8,9E+22 8,0E+22 8,8E+22 9,7E+22 9,5E+22 7,4E+22
Caldas Samana 7,8E+22 9,0E+22 8,9E+22 8,8E+22 9,1E+22 8,8E+22 8,8E+22 9,2E+22 9,3E+22 9,9E+22 9,8E+22 7,5E+22
Caldas Victoria 9,0E+22 9,9E+22 1,0E+23 8,8E+22 1,0E+23 9,8E+22 9,2E+22 1,0E+23 1,1E+23 1,1E+23 1,1E+23 9,4E+22
Caquetá San Vicente Del Caguan 5,4E+22 5,8E+22 7,3E+22 5,1E+22 4,9E+22 4,2E+22 5,5E+22 4,9E+22 4,8E+22 5,7E+22 5,8E+22 4,6E+22
Caquetá Florencia 4,8E+22 5,2E+22 6,4E+22 5,3E+22 4,7E+22 5,5E+22 6,4E+22 6,1E+22 5,2E+22 4,9E+22 4,6E+22 3,9E+22
Casanare Yopal 8,0E+22 7,0E+22 8,2E+22 7,6E+22 7,3E+22 9,4E+22 8,5E+22 7,8E+22 8,4E+22 8,1E+22 7,7E+22 8,3E+22
Cauca Bolivar 7,0E+22 8,0E+22 7,7E+22 6,9E+22 8,6E+22 6,8E+22 7,6E+22 8,9E+22 8,7E+22 1,0E+23 9,9E+22 8,2E+22
Cauca Buenos Aires 8,1E+22 7,2E+22 7,5E+22 7,8E+22 7,3E+22 8,1E+22 7,9E+22 7,2E+22 7,0E+22 7,2E+22 7,4E+22 7,5E+22
Cauca Popayán 5,3E+22 6,0E+22 6,6E+22 6,0E+22 4,8E+22 6,1E+22 5,7E+22 5,9E+22 4,4E+22 6,2E+22 5,4E+22 6,6E+22
Cauca Timbiqui 4,3E+22 4,3E+22 4,0E+22 4,0E+22 3,3E+22 4,9E+22 3,0E+22 4,7E+22 4,0E+22 4,2E+22 3,7E+22 3,7E+22
Cesar Valledupar 1,0E+23 1,0E+23 1,0E+23 9,8E+22 9,4E+22 9,1E+22 1,0E+23 1,1E+23 1,1E+23 1,0E+23 1,0E+23 1,1E+23
Chocó Bojayá 4,6E+22 4,5E+22 4,7E+22 4,1E+22 4,7E+22 4,0E+22 3,4E+22 4,3E+22 4,8E+22 4,7E+22 3,9E+22 4,2E+22
Chocó Quibdó 4,7E+22 4,7E+22 5,9E+22 4,3E+22 5,2E+22 5,5E+22 4,4E+22 5,4E+22 5,9E+22 5,2E+22 4,6E+22 5,5E+22
Chocó Riosucio 3,6E+22 3,9E+22 4,0E+22 3,3E+22 4,1E+22 3,9E+22 3,4E+22 4,1E+22 4,2E+22 4,0E+22 4,1E+22 4,1E+22
Cordoba Ayapel 6,2E+22 6,2E+22 6,5E+22 4,8E+22 6,3E+22 5,8E+22 5,9E+22 6,4E+22 6,2E+22 5,8E+22 6,5E+22 6,3E+22
Cordoba Montería 6,4E+22 6,4E+22 6,1E+22 6,8E+22 5,5E+22 5,9E+22 5,9E+22 6,3E+22 6,9E+22 6,4E+22 6,2E+22 6,7E+22
Cordoba Puerto Libertador 6,3E+22 5,9E+22 6,8E+22 6,1E+22 7,1E+22 6,4E+22 6,7E+22 7,7E+22 6,7E+22 6,5E+22 6,7E+22 6,0E+22
Cordoba Tierralta 6,7E+22 6,1E+22 6,5E+22 6,2E+22 6,1E+22 5,6E+22 5,3E+22 6,6E+22 7,1E+22 6,7E+22 6,2E+22 5,5E+22
Cundinamarca Anapoima 1,2E+23 1,3E+23 1,3E+23 1,3E+23 1,1E+23 1,3E+23 1,3E+23 1,3E+23 1,4E+23 1,5E+23 1,3E+23 1,3E+23
Cundinamarca Cabrera 6,8E+22 5,6E+22 7,0E+22 5,8E+22 5,6E+22 6,6E+22 6,2E+22 7,3E+22 4,0E+22 5,5E+22 5,5E+22 4,0E+22
Cundinamarca Chia 1,6E+23 1,3E+23 1,8E+23 1,5E+23 1,5E+23 1,4E+23 1,8E+23 1,5E+23 1,6E+23 1,6E+23 1,9E+23 2,2E+23
Cundinamarca Choachí 9,6E+22 1,1E+23 1,6E+23 1,4E+23 1,1E+23 9,4E+22 1,1E+23 1,3E+23 1,2E+23 1,2E+23 1,5E+23 1,3E+23
Cundinamarca Sopó 9,0E+22 1,1E+23 1,2E+23 1,1E+23 1,4E+23 9,3E+22 1,1E+23 1,1E+23 1,0E+23 1,0E+23 1,4E+23 1,1E+23
125
Cundinamarca Facatativá 1,3E+23 1,5E+23 1,8E+23 1,4E+23 1,5E+23 1,6E+23 1,7E+23 1,5E+23 1,7E+23 1,8E+23 1,5E+23 2,1E+23
Cundinamarca Girardot 1,0E+23 8,4E+22 9,1E+22 9,2E+22 8,6E+22 9,4E+22 9,8E+22 1,0E+23 9,5E+22 7,5E+22 6,2E+22 5,5E+22
Cundinamarca Madrid 1,6E+23 1,5E+23 1,7E+23 1,8E+23 1,4E+23 1,5E+23 1,9E+23 1,7E+23 1,8E+23 1,9E+23 1,4E+23 2,0E+23
Cundinamarca Paratebueno 7,5E+22 7,2E+22 7,7E+22 7,7E+22 7,1E+22 6,9E+22 7,3E+22 7,6E+22 7,6E+22 7,3E+22 7,0E+22 6,5E+22
Cundinamarca Quetame 9,1E+22 9,2E+22 1,1E+23 1,0E+23 1,0E+23 9,1E+22 9,6E+22 1,1E+23 9,6E+22 9,2E+22 8,0E+22 7,7E+22
Cundinamarca Sibaté 9,6E+22 1,1E+23 1,0E+23 1,2E+23 1,3E+23 9,8E+22 1,2E+23 1,3E+23 1,1E+23 1,2E+23 9,5E+22 1,3E+23
Cundinamarca Soacha 1,5E+23 1,6E+23 1,9E+23 1,5E+23 1,6E+23 1,7E+23 1,8E+23 1,8E+23 1,8E+23 1,7E+23 1,7E+23 2,3E+23
Cundinamarca Tocancipá 1,7E+23 1,8E+23 2,0E+23 2,0E+23 2,3E+23 2,0E+23 1,9E+23 2,2E+23 2,2E+23 2,0E+23 2,1E+23 2,1E+23
Cundinamarca Ubalá 9,1E+22 9,8E+22 1,0E+23 8,7E+22 1,1E+23 1,0E+23 1,1E+23 1,0E+23 7,0E+22 8,9E+22 8,6E+22 1,4E+23
Cundinamarca Ubate 1,0E+23 9,8E+22 1,0E+23 8,9E+22 8,1E+22 1,2E+23 1,1E+23 1,4E+23 1,1E+23 1,0E+23 1,1E+23 1,5E+23
Cundinamarca Villeta 1,0E+23 1,2E+23 1,2E+23 1,2E+23 1,2E+23 1,2E+23 1,1E+23 1,1E+23 1,2E+23 1,1E+23 1,3E+23 1,2E+23
Cundinamarca Yacopi 9,6E+22 9,5E+22 1,1E+23 1,0E+23 1,1E+23 1,0E+23 9,2E+22 1,0E+23 1,1E+23 1,0E+23 1,1E+23 9,7E+22
Cundinamarca Zipaquirá 7,4E+22 8,8E+22 9,9E+22 8,4E+22 9,9E+22 1,1E+23 1,1E+23 1,2E+23 1,2E+23 1,1E+23 1,1E+23 1,1E+23
Guainía Puerto Inírida 3,9E+22 3,9E+22 3,9E+22 3,6E+22 4,4E+22 3,4E+22 3,8E+22 3,8E+22 3,9E+22 4,1E+22 4,0E+22 4,0E+22
Guaviare San José del Guaviare 4,9E+22 5,6E+22 6,6E+22 5,9E+22 5,1E+22 5,0E+22 4,3E+22 4,6E+22 4,6E+22 4,6E+22 4,9E+22 3,6E+22
Huila Neiva 5,3E+22 5,2E+22 6,0E+22 5,5E+22 7,5E+22 5,3E+22 6,7E+22 6,6E+22 6,2E+22 5,7E+22 5,5E+22 5,1E+22
La Guajira Riohacha 6,8E+22 6,7E+22 7,1E+22 6,8E+22 6,8E+22 7,3E+22 6,4E+22 6,8E+22 7,5E+22 7,4E+22 7,4E+22 7,2E+22
La Guajira San Juan Del Cesar 8,5E+22 8,3E+22 8,2E+22 8,4E+22 8,3E+22 8,3E+22 8,5E+22 8,9E+22 9,1E+22 8,9E+22 9,4E+22 9,5E+22
Magdalena Piviyay 9,4E+22 9,6E+22 1,0E+23 9,2E+22 1,0E+23 9,1E+22 9,1E+22 1,1E+23 1,1E+23 1,1E+23 1,0E+23 1,1E+23
Magdalena Santa Marta 8,1E+22 8,3E+22 8,9E+22 7,9E+22 7,6E+22 8,3E+22 7,8E+22 8,2E+22 8,1E+22 8,2E+22 7,8E+22 8,2E+22
Meta Mesetas 6,7E+22 6,6E+22 6,8E+22 6,5E+22 6,3E+22 6,9E+22 8,5E+22 9,2E+22 6,4E+22 6,3E+22 6,9E+22 6,8E+22
Meta Puerto López 5,8E+22 5,5E+22 5,9E+22 5,3E+22 4,6E+22 5,0E+22 4,5E+22 6,0E+22 5,7E+22 5,3E+22 5,0E+22 5,0E+22
Meta San Martin 5,8E+22 5,4E+22 6,9E+22 4,7E+22 4,6E+22 5,1E+22 5,2E+22 5,4E+22 6,1E+22 5,1E+22 4,7E+22 5,8E+22
Meta Villavicencio 8,2E+22 7,8E+22 8,6E+22 7,8E+22 7,7E+22 8,0E+22 1,0E+23 8,8E+22 7,2E+22 7,7E+22 8,0E+22 8,0E+22
N. de Santander Cúcuta 7,1E+22 6,4E+22 6,2E+22 6,9E+22 6,5E+22 7,9E+22 7,0E+22 6,9E+22 7,0E+22 7,1E+22 7,6E+22 6,7E+22
Nariño Pasto 4,9E+22 4,6E+22 5,9E+22 7,0E+22 4,5E+22 7,7E+22 6,7E+22 6,3E+22 4,5E+22 5,1E+22 5,3E+22 8,1E+22
Putumayo Mocoa 8,5E+22 6,9E+22 8,5E+22 7,5E+22 8,7E+22 8,6E+22 1,1E+23 9,1E+22 7,7E+22 8,5E+22 7,6E+22 7,5E+22
Quindio Armenia 9,5E+22 1,1E+23 9,5E+22 8,8E+22 1,1E+23 1,0E+23 1,0E+23 1,0E+23 9,4E+22 1,1E+23 1,1E+23 1,1E+23
126
Risaralda Pereira 9,7E+22 1,1E+23 1,1E+23 8,9E+22 8,2E+22 8,1E+22 8,6E+22 9,1E+22 9,1E+22 7,5E+22 1,0E+23 8,6E+22
San Andrés San Andrés 3,7E+22 3,7E+22 3,9E+22 3,5E+22 3,7E+22 3,6E+22 4,1E+22 3,8E+22 3,8E+22 3,4E+22 3,5E+22 3,5E+22
Santander Barrancabermeja 7,1E+22 6,9E+22 7,6E+22 6,2E+22 7,5E+22 7,8E+22 7,4E+22 8,1E+22 7,7E+22 8,0E+22 7,5E+22 7,6E+22
Santander Bucaramanga 7,2E+22 7,3E+22 7,4E+22 7,4E+22 7,0E+22 6,3E+22 7,1E+22 7,3E+22 7,5E+22 7,3E+22 7,4E+22 6,4E+22
Santander Cimitarra 6,5E+22 6,7E+22 6,6E+22 5,8E+22 7,9E+22 6,7E+22 6,3E+22 7,4E+22 8,3E+22 8,7E+22 8,7E+22 6,9E+22
Santander Puerto Wilches 7,1E+22 7,0E+22 7,1E+22 6,3E+22 7,3E+22 8,3E+22 8,3E+22 8,4E+22 7,6E+22 7,3E+22 7,9E+22 7,1E+22
Santander San Gil 7,6E+22 1,0E+23 1,2E+23 8,6E+22 9,8E+22 8,5E+22 8,9E+22 3,2E+21 1,0E+23 1,2E+23 9,3E+22 9,5E+22
Santander Velez 8,7E+23 9,0E+23 9,3E+22 9,6E+22 8,4E+22 9,8E+22 9,6E+22 8,1E+22 8,7E+22 9,2E+22 1,1E+23 9,9E+22
Santander Encino 5,7E+22 7,0E+22 5,7E+22 5,6E+22 6,2E+22 5,9E+22 5,4E+22 6,2E+22 5,6E+22 6,3E+22 6,3E+22 5,4E+22
Santander Puente Nacional 7,9E+22 1,0E+23 1,0E+23 8,8E+22 1,1E+23 9,2E+22 1,0E+23 8,2E+22 1,1E+23 1,0E+23 1,1E+23 9,8E+22
Sucre Sincelejo 7,9E+22 7,9E+22 8,3E+22 8,0E+22 8,9E+22 7,4E+22 7,5E+22 9,1E+22 8,0E+22 8,1E+22 8,3E+22 7,0E+22
Tolima Espinal 6,8E+22 6,1E+22 6,4E+22 7,1E+22 6,5E+22 6,4E+22 6,7E+22 7,6E+22 6,7E+22 6,1E+22 7,3E+22 5,4E+22
Tolima Ibagué 1,1E+23 1,1E+23 1,1E+23 1,0E+23 1,0E+23 1,1E+23 1,2E+23 1,1E+23 1,2E+23 9,7E+22 1,2E+23 1,0E+23
Tolima Roncesvalles 8,0E+22 8,4E+22 8,6E+22 9,1E+22 6,9E+22 8,2E+22 8,3E+22 8,0E+22 8,3E+22 8,3E+22 7,4E+22 6,9E+22
Tolima Santa Isabel 1,4E+23 1,3E+23 1,5E+23 1,3E+23 1,1E+23 1,5E+23 1,3E+23 1,3E+23 1,4E+23 1,5E+23 1,5E+23 1,3E+23
Valle del Cauca Buenaventura 7,0E+22 6,6E+22 7,0E+22 6,3E+22 6,1E+22 8,0E+22 6,4E+22 7,9E+22 6,5E+22 5,9E+22 5,9E+22 7,2E+22
Valle del Cauca Caicedonia 7,9E+22 7,8E+22 7,7E+22 8,2E+22 8,4E+22 8,3E+22 9,6E+22 7,4E+22 8,4E+22 8,0E+22 8,9E+22 8,5E+22
Valle del Cauca Cali 1,4E+23 1,3E+23 1,3E+23 1,2E+23 1,2E+23 1,3E+23 1,3E+23 1,1E+23 1,2E+23 1,2E+23 1,1E+23 1,1E+23
Valle del Cauca Cartago 9,1E+22 9,1E+22 9,8E+22 9,3E+22 9,6E+22 1,1E+23 1,1E+23 9,0E+22 1,1E+23 9,7E+22 1,0E+23 1,0E+23
Valle del Cauca Dagua 1,4E+23 1,3E+23 1,3E+23 1,1E+23 1,2E+23 1,2E+23 1,0E+23 1,0E+23 1,3E+23 1,2E+23 1,2E+23 8,8E+22
Valle del Cauca El Aguila 1,1E+23 1,0E+23 1,1E+23 1,2E+23 1,1E+23 1,3E+23 1,3E+23 1,2E+23 1,2E+23 1,2E+23 1,2E+23 1,1E+23
Valle del Cauca Florida 7,6E+22 7,4E+22 8,5E+22 9,1E+22 8,5E+22 1,0E+23 7,1E+22 1,2E+23 9,0E+22 8,7E+22 9,4E+22 9,9E+22
Valle del Cauca Jamundí 1,4E+23 1,3E+23 1,3E+23 1,2E+23 1,2E+23 1,3E+23 1,3E+23 1,1E+23 1,2E+23 1,2E+23 1,1E+23 1,1E+23
Valle del Cauca Palmira 1,1E+23 1,2E+23 1,1E+23 1,1E+23 9,7E+22 1,3E+23 9,1E+22 1,0E+23 1,1E+23 1,0E+23 1,1E+23 1,0E+23
Valle del Cauca Roldanillo 7,9E+22 8,0E+22 7,6E+22 6,5E+22 8,4E+22 7,3E+22 9,1E+22 8,0E+22 8,5E+22 8,1E+22 8,9E+22 6,3E+22
Valle del Cauca Tulua 8,0E+22 8,1E+22 7,9E+22 7,6E+22 7,4E+22 8,6E+22 7,2E+22 8,2E+22 8,8E+22 8,0E+22 7,5E+22 6,5E+22
Valle del Cauca Yumbo 1,1E+23 1,2E+23 1,1E+23 1,1E+23 9,7E+22 1,3E+23 9,1E+22 1,0E+23 1,1E+23 1,0E+23 1,1E+23 1,0E+23
Vaupés Mitú 3,9E+22 4,2E+22 4,8E+22 3,9E+22 3,6E+22 4,0E+22 3,7E+22 3,6E+22 3,4E+22 4,3E+22 4,2E+22 4,0E+22
127
Vichada Puerto Carreño 4,5E+22 4,6E+22 5,6E+22 4,4E+22 4,9E+22 4,6E+22 4,3E+22 5,3E+22 4,6E+22 4,4E+22 4,6E+22 5,2E+22
Vichada Santa Rosalia 6,0E+22 5,7E+22 6,7E+22 6,7E+22 5,6E+22 6,8E+22 6,8E+22 6,6E+22 6,1E+22 6,6E+22 6,0E+22 5,6E+22
Top Related