Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia
Se propone una metodología para caracterizar espacio temporalmente la concentración de PM2.5 que integra interpolación espacial, estadística espacial y econometría. Se implementa con sistemas de información geográfica y datos de concentración promedia mensual de PM2.5, temperatura y velocidad del vi...
- Autores:
-
Londoño Ciro, Libardo Antonio
Cañón Barriga, Julio Eduardo
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2018
- Institución:
- Universidad EIA .
- Repositorio:
- Repositorio EIA .
- Idioma:
- spa
- OAI Identifier:
- oai:repository.eia.edu.co:11190/5035
- Acceso en línea:
- https://repository.eia.edu.co/handle/11190/5035
https://doi.org/10.24050/reia.v15i30.1217
- Palabra clave:
- Contaminación del Aire
Análisis Espacial
Regresión Geográficamente Ponderada
Modelos Autorregresivos de Rezago Distribuido
Análisis Espacial
- Rights
- openAccess
- License
- Revista EIA - 2018
id |
REIA2_0fd8e9650f9ea141df0254b9ec4c1968 |
---|---|
oai_identifier_str |
oai:repository.eia.edu.co:11190/5035 |
network_acronym_str |
REIA2 |
network_name_str |
Repositorio EIA . |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia |
dc.title.translated.eng.fl_str_mv |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia |
title |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia |
spellingShingle |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia Contaminación del Aire Análisis Espacial Regresión Geográficamente Ponderada Modelos Autorregresivos de Rezago Distribuido Análisis Espacial |
title_short |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia |
title_full |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia |
title_fullStr |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia |
title_full_unstemmed |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia |
title_sort |
Metodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-Colombia |
dc.creator.fl_str_mv |
Londoño Ciro, Libardo Antonio Cañón Barriga, Julio Eduardo |
dc.contributor.author.spa.fl_str_mv |
Londoño Ciro, Libardo Antonio Cañón Barriga, Julio Eduardo |
dc.subject.spa.fl_str_mv |
Contaminación del Aire Análisis Espacial Regresión Geográficamente Ponderada Modelos Autorregresivos de Rezago Distribuido Análisis Espacial |
topic |
Contaminación del Aire Análisis Espacial Regresión Geográficamente Ponderada Modelos Autorregresivos de Rezago Distribuido Análisis Espacial |
description |
Se propone una metodología para caracterizar espacio temporalmente la concentración de PM2.5 que integra interpolación espacial, estadística espacial y econometría. Se implementa con sistemas de información geográfica y datos de concentración promedia mensual de PM2.5, temperatura y velocidad del viento; medidos en 8 sitios de monitoreo durante 2013-2014 en la ciudad de Medellín. Primero se hace una caracterización espacial multivariada de PM2.5 con regresiones geográficamente ponderadas (GWR) y luego la caracterización temporal con algoritmos econométricos. El modelo con variables explicativas temperatura, gradiente espacial del viento, dominio espacial de PM2.5 calculado con GWR y la concentración de PM2.5; con un rezago de orden 1; explica en un 87% la variabilidad de PM2.5. El desempeño de los algoritmos se calcula con validación cruzada. Finalmente se ajustan los mapas de caracterización espacio-temporal con un modelo de proximidad espacial que usa la distancia a fuentes de emisión y de mitigación de PM2.5 |
publishDate |
2018 |
dc.date.accessioned.none.fl_str_mv |
2018-11-26 00:00:00 2022-06-17T20:19:49Z |
dc.date.available.none.fl_str_mv |
2018-11-26 00:00:00 2022-06-17T20:19:49Z |
dc.date.issued.none.fl_str_mv |
2018-11-26 |
dc.type.spa.fl_str_mv |
Artículo de revista |
dc.type.eng.fl_str_mv |
Journal article |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 http://purl.org/coar/resource_type/c_6501 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/ARTREF |
dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
format |
http://purl.org/coar/resource_type/c_6501 |
status_str |
publishedVersion |
dc.identifier.issn.none.fl_str_mv |
1794-1237 |
dc.identifier.uri.none.fl_str_mv |
https://repository.eia.edu.co/handle/11190/5035 |
dc.identifier.doi.none.fl_str_mv |
10.24050/reia.v15i30.1217 |
dc.identifier.eissn.none.fl_str_mv |
2463-0950 |
dc.identifier.url.none.fl_str_mv |
https://doi.org/10.24050/reia.v15i30.1217 |
identifier_str_mv |
1794-1237 10.24050/reia.v15i30.1217 2463-0950 |
url |
https://repository.eia.edu.co/handle/11190/5035 https://doi.org/10.24050/reia.v15i30.1217 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.relation.references.spa.fl_str_mv |
Alam, M., & McNabola, A. (2015). Exploring the modeling of spatiotemporal variations in ambient air pollution within the land use regression framework: Estimation of PM10 concentrations on a daily basis. J. Air Waste Manag. Assoc, 65, 628–640. Chen, L., Bai, Z., Kong, S., Han, B., You, Y., Ding, X., y otros. (2010). A land use regression for predicting NO2 and PM10 concentrations in different seasons in Tianjin region, China. J. Environ. Sci, 22, 1364–1373. Deligiorgi, D., & Philippopoulos, K. (2011). Spatial Interpolation Methodologies in Urban Air Pollution Modeling: Application for the Greater Area of Metropolitan Athens, Greece, Advanced Air Pollution. Athens: Dr. Farhad Nejadkoorki. Dickey, D., & Fuller, W. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association, 74, 427-431. Diebold, F. (1971). Elements of Forecasting, 2a. ed. South Western. Dons, E., Van Poppe, M., Panis, L., De Prins, S., Berghmans, P., Koppen, G., y otros. (2014). Land use regression models as a tool for short, medium and long term exposure to traffic related air pollution. Science of The Total Environment, 476–477, 378-386. Fotheringham, A., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Chichester: John Wiley & Sons, Ltd. Frees E. W. Longitudinal and Panel Data: Analysis and Applications in the Social Sciences, Cambridge University Press, Nueva York, 2004. Gass, S., & Fu, M. (2013). Saaty, T. Analytic Hierarchy Process Encyclopedia of Operations Research and Management Science. Springer. Goyal, P., Chan, A., & Jaiswal, N. (2006). Statistical models for the prediction of respirable suspended particulate matter in urban cities. Atmos. Environ, 40, 2068–2077. Granger, C. (1969). Investigating Causal Relations by Econometric Models and Cross-Spectral Methods. Econometrica, 424-438. Lee, M., Brauer, M., Wong, P., Tang, R., Tsui, T., Choi, C., y otros. (2017). Land use regression modelling of air pollution in high density high rise cities: A case study in Hong Kong. Science of the Total Environment, 592, 306–315. Li., J., & Heap., D. (2014). Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling & Software, 53, 173 – 189. Liu, B., Wu, J., Zhang, J., Wang, L., Yang, J., Liang, D., y otros. (2017). Characterization and source apportionment of PM2.5 based on error estimation from EPA PMF 5.0 model at a medium city in China. Environmental Pollution, 222, 10-22. Londoño, L., & Cañon, J. (2015). Metodología para la aplicación de modelos de regresión de usos del suelo en la estimación local de la concentración mensual de pm10 en Medellín – Colombia. Revista Politécnica, 11(21), 29-40. Londoño, L., Cañón, J., & Giraldo, J. (2017). Modelo de proximidad espacial para definir sitios de muestreo en redes urbanas de calidad de aire. Revista Facultad Nacional de Salud Pública, 35(1), 111-122. Londoño, L., Cañón, J., Villada, R., & López, L. (2015). Caracterización espacial de PM10 en la ciudad de Medellín mediante modelos geoestadísticos. Revista Ingenierías USBMED, 6(2), 26-35. MinAmbiente (2017). Contaminación Atmosférica en Colombia. Recuperado el 23 de agosto de 2017, de Ministerio de Ambiente y Desarrollo Sostenible: http://www.minambiente.gov.co/index.php/component/content/article/1801-plantilla-#1-1-normativa Paschalidou, A., Karakitsios, S., Kleanthous, S., & Kassomenos, P. (2011). Forecasting hourly PM10 concentration in Cyprus through artificial neural networks and multiple regression models: Implications to local environmental management. Environ. Sci. Pollut. Res, 18, 316-327. Pilsung, K. (2013). Locally linear reconstruction based missing value imputation for supervised learning. Neurocomputing, 118, 65-78. Ramsay, J., Ramsay, T., & Sangalli, L. (2011). Spatial functional data analysis. Recent Advances in Functional Data Analysis and related topics. (págs. 269-275). Springer. RedAire. (2015). Laboratorio de Calidad del Aire (CALAIRE). Universidad Nacional de Colombia Sede Medellín, Facultad de Minas. Medellin, Colombia. Şahin, Ü., Bayat, C., & Uçan, O. (2011). Application of cellular neural network (CNN) to the prediction of missing air pollutant data. Atmospheric Research, 101(1–2), 314-326. Sangalli, L., Ramsay, J., & Ramsay, T. (2013). Spatial splines regressions models. J. Roy. Statisc. Soc. Ser. B, 75, 681-803. Sanhueza, P., Torreblanca, M., Diaz-Robles, L., Schiappacasse, L., Silva, M., & Astete, T. (2009). Particulate air pollution and health effects for cardiovascular and respiratory causes in Temuco, Chile: A wood-smoke-polluted urban area. J. Air Wate Manag. Assoc., 59, 1481-1488. Sayegh, A., Munir, S., & Habeebullah, T. (2014). Comparing the performance of statistical models for predicting PM10 concentrations. Aerosol and Air Quality Research, 14(3), 653 - 665. Scott, L., Rosenshein, L., & Janikas, M. (2011). Modeling Spatial Relationships using Regression Analysis. ESRI International User Conference. Technical Workshops. San Diego, CA. Shahraiyni, H., & Sodoudi, S. (2016). Statistical Modeling Approaches for PM10 Prediction in Urban Areas; A Review of 21st-Century Studies. Atmosphere, 7(2)(15). SIATA. (2016). Sistema de Alerta Temprana de Medellín y el Valle de Aburrá. Sistema de Alerta Temprana de Medellín y el Valle de Aburrá. Medellín, Colombia. Singh, N., Murari, V., Kumar, M., Barman, S., & Banerjee, T. (2017). Fine particulates over South Asia: Review and meta-analysis of PM2.5 source apportionment through receptor model. Environmental Pollution, 223, 121-136. Stadlober, E., Hörmann, S., & Pfeiler, B. (2008). Quality and performance of a PM10 daily forecasting model. Atmos. Environ, 42, 1098–1109. Taheri Shahraiyni, H., Sodoudi, S., Cubasch, U., & Kerschbaumer, A. (2015). The influence of the plants on the decrease of air pollutants (Case study: Particulate matter in Berlin). In Presented at the Euro-American Conference for Academic Disciplines. Paris, France. Taheri, H., & Sodoudi, S. (2016). Statistical Modeling Approaches for PM10 Prediction in Urban Areas; A Review of 21st-Century Studies. Atmosphere, 7(15). Wang, P., Zhang, H., Qin, Z., & Zhang, G. (2017). A novel hybrid-Garch model based on ARIMA and SVM for PM2.5 concentrations forecasting. Atmospheric Pollution Research, In Press, Corrected Proof. Wiener, N. (1956). The Theory of Prediction. Modern Mathematics for Engineers. New York: McGraw-Hill. Woolridge, J. (2002). Econometric Analysis of Cross Section and Panel Data. Massachusetts: MIT Press. Zhang, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175. |
dc.relation.bitstream.none.fl_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/download/1217/1192 |
dc.relation.citationedition.spa.fl_str_mv |
Núm. 30 , Año 2018 |
dc.relation.citationendpage.none.fl_str_mv |
132 |
dc.relation.citationissue.spa.fl_str_mv |
30 |
dc.relation.citationstartpage.none.fl_str_mv |
113 |
dc.relation.citationvolume.spa.fl_str_mv |
15 |
dc.relation.ispartofjournal.spa.fl_str_mv |
Revista EIA |
dc.rights.spa.fl_str_mv |
Revista EIA - 2018 |
dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
Revista EIA - 2018 https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
dc.publisher.spa.fl_str_mv |
Fondo Editorial EIA - Universidad EIA |
dc.source.spa.fl_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/view/1217 |
institution |
Universidad EIA . |
bitstream.url.fl_str_mv |
https://repository.eia.edu.co/bitstreams/64ef3268-e820-420f-9f0e-eff1c24daa19/download |
bitstream.checksum.fl_str_mv |
b7746e3978410781a5a7803d11202805 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 |
repository.name.fl_str_mv |
Repositorio Institucional Universidad EIA |
repository.mail.fl_str_mv |
bdigital@metabiblioteca.com |
_version_ |
1814100890851737600 |
spelling |
Londoño Ciro, Libardo Antonio39d419e8ec72887a5bada44739681697300Cañón Barriga, Julio Eduardoda63748631fb6463ed932cdd9c0755813002018-11-26 00:00:002022-06-17T20:19:49Z2018-11-26 00:00:002022-06-17T20:19:49Z2018-11-261794-1237https://repository.eia.edu.co/handle/11190/503510.24050/reia.v15i30.12172463-0950https://doi.org/10.24050/reia.v15i30.1217Se propone una metodología para caracterizar espacio temporalmente la concentración de PM2.5 que integra interpolación espacial, estadística espacial y econometría. Se implementa con sistemas de información geográfica y datos de concentración promedia mensual de PM2.5, temperatura y velocidad del viento; medidos en 8 sitios de monitoreo durante 2013-2014 en la ciudad de Medellín. Primero se hace una caracterización espacial multivariada de PM2.5 con regresiones geográficamente ponderadas (GWR) y luego la caracterización temporal con algoritmos econométricos. El modelo con variables explicativas temperatura, gradiente espacial del viento, dominio espacial de PM2.5 calculado con GWR y la concentración de PM2.5; con un rezago de orden 1; explica en un 87% la variabilidad de PM2.5. El desempeño de los algoritmos se calcula con validación cruzada. Finalmente se ajustan los mapas de caracterización espacio-temporal con un modelo de proximidad espacial que usa la distancia a fuentes de emisión y de mitigación de PM2.5Se propone una metodología para caracterizar espacio temporalmente la concentración de PM2.5 que integra interpolación espacial, estadística espacial y econometría. Se implementa con sistemas de información geográfica y datos de concentración promedia mensual de PM2.5, temperatura y velocidad del viento; medidos en 8 sitios de monitoreo durante 2013-2014 en la ciudad de Medellín. Primero se hace una caracterización espacial multivariada de PM2.5 con regresiones geográficamente ponderadas (GWR) y luego la caracterización temporal con algoritmos econométricos. El modelo con variables explicativas temperatura, gradiente espacial del viento, dominio espacial de PM2.5 calculado con GWR y la concentración de PM2.5; con un rezago de orden 1; explica en un 87% la variabilidad de PM2.5. El desempeño de los algoritmos se calcula con validación cruzada. Finalmente se ajustan los mapas de caracterización espacio-temporal con un modelo de proximidad espacial que usa la distancia a fuentes de emisión y de mitigación de PM2.5application/pdfspaFondo Editorial EIA - Universidad EIARevista EIA - 2018https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2https://revistas.eia.edu.co/index.php/reveia/article/view/1217Contaminación del AireAnálisis EspacialRegresión Geográficamente PonderadaModelos Autorregresivos de Rezago DistribuidoAnálisis EspacialMetodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-ColombiaMetodología para la caracterización espacio-temporal de PM2.5 en el área urbana de la ciudad de Medellín-ColombiaArtículo de revistaJournal articlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionTexthttp://purl.org/redcol/resource_type/ARTREFhttp://purl.org/coar/version/c_970fb48d4fbd8a85Alam, M., & McNabola, A. (2015). Exploring the modeling of spatiotemporal variations in ambient air pollution within the land use regression framework: Estimation of PM10 concentrations on a daily basis. J. Air Waste Manag. Assoc, 65, 628–640.Chen, L., Bai, Z., Kong, S., Han, B., You, Y., Ding, X., y otros. (2010). A land use regression for predicting NO2 and PM10 concentrations in different seasons in Tianjin region, China. J. Environ. Sci, 22, 1364–1373.Deligiorgi, D., & Philippopoulos, K. (2011). Spatial Interpolation Methodologies in Urban Air Pollution Modeling: Application for the Greater Area of Metropolitan Athens, Greece, Advanced Air Pollution. Athens: Dr. Farhad Nejadkoorki.Dickey, D., & Fuller, W. (1979). Distribution of the Estimators for Autoregressive Time Series with a Unit Root. Journal of the American Statistical Association, 74, 427-431. Diebold, F. (1971). Elements of Forecasting, 2a. ed. South Western.Dons, E., Van Poppe, M., Panis, L., De Prins, S., Berghmans, P., Koppen, G., y otros. (2014). Land use regression models as a tool for short, medium and long term exposure to traffic related air pollution. Science of The Total Environment, 476–477, 378-386.Fotheringham, A., Brunsdon, C., & Charlton, M. (2002). Geographically Weighted Regression: The Analysis of Spatially Varying Relationships. Chichester: John Wiley & Sons, Ltd.Frees E. W. Longitudinal and Panel Data: Analysis and Applications in the Social Sciences, Cambridge University Press, Nueva York, 2004.Gass, S., & Fu, M. (2013). Saaty, T. Analytic Hierarchy Process Encyclopedia of Operations Research and Management Science. Springer.Goyal, P., Chan, A., & Jaiswal, N. (2006). Statistical models for the prediction of respirable suspended particulate matter in urban cities. Atmos. Environ, 40, 2068–2077.Granger, C. (1969). Investigating Causal Relations by Econometric Models and Cross-Spectral Methods. Econometrica, 424-438.Lee, M., Brauer, M., Wong, P., Tang, R., Tsui, T., Choi, C., y otros. (2017). Land use regression modelling of air pollution in high density high rise cities: A case study in Hong Kong. Science of the Total Environment, 592, 306–315.Li., J., & Heap., D. (2014). Spatial interpolation methods applied in the environmental sciences: A review. Environmental Modelling & Software, 53, 173 – 189.Liu, B., Wu, J., Zhang, J., Wang, L., Yang, J., Liang, D., y otros. (2017). Characterization and source apportionment of PM2.5 based on error estimation from EPA PMF 5.0 model at a medium city in China. Environmental Pollution, 222, 10-22.Londoño, L., & Cañon, J. (2015). Metodología para la aplicación de modelos de regresión de usos del suelo en la estimación local de la concentración mensual de pm10 en Medellín – Colombia. Revista Politécnica, 11(21), 29-40.Londoño, L., Cañón, J., & Giraldo, J. (2017). Modelo de proximidad espacial para definir sitios de muestreo en redes urbanas de calidad de aire. Revista Facultad Nacional de Salud Pública, 35(1), 111-122.Londoño, L., Cañón, J., Villada, R., & López, L. (2015). Caracterización espacial de PM10 en la ciudad de Medellín mediante modelos geoestadísticos. Revista Ingenierías USBMED, 6(2), 26-35.MinAmbiente (2017). Contaminación Atmosférica en Colombia. Recuperado el 23 de agosto de 2017, de Ministerio de Ambiente y Desarrollo Sostenible: http://www.minambiente.gov.co/index.php/component/content/article/1801-plantilla-#1-1-normativaPaschalidou, A., Karakitsios, S., Kleanthous, S., & Kassomenos, P. (2011). Forecasting hourly PM10 concentration in Cyprus through artificial neural networks and multiple regression models: Implications to local environmental management. Environ. Sci. Pollut. Res, 18, 316-327.Pilsung, K. (2013). Locally linear reconstruction based missing value imputation for supervised learning. Neurocomputing, 118, 65-78.Ramsay, J., Ramsay, T., & Sangalli, L. (2011). Spatial functional data analysis. Recent Advances in Functional Data Analysis and related topics. (págs. 269-275). Springer.RedAire. (2015). Laboratorio de Calidad del Aire (CALAIRE). Universidad Nacional de Colombia Sede Medellín, Facultad de Minas. Medellin, Colombia.Şahin, Ü., Bayat, C., & Uçan, O. (2011). Application of cellular neural network (CNN) to the prediction of missing air pollutant data. Atmospheric Research, 101(1–2), 314-326.Sangalli, L., Ramsay, J., & Ramsay, T. (2013). Spatial splines regressions models. J. Roy. Statisc. Soc. Ser. B, 75, 681-803.Sanhueza, P., Torreblanca, M., Diaz-Robles, L., Schiappacasse, L., Silva, M., & Astete, T. (2009). Particulate air pollution and health effects for cardiovascular and respiratory causes in Temuco, Chile: A wood-smoke-polluted urban area. J. Air Wate Manag. Assoc., 59, 1481-1488.Sayegh, A., Munir, S., & Habeebullah, T. (2014). Comparing the performance of statistical models for predicting PM10 concentrations. Aerosol and Air Quality Research, 14(3), 653 - 665.Scott, L., Rosenshein, L., & Janikas, M. (2011). Modeling Spatial Relationships using Regression Analysis. ESRI International User Conference. Technical Workshops. San Diego, CA.Shahraiyni, H., & Sodoudi, S. (2016). Statistical Modeling Approaches for PM10 Prediction in Urban Areas; A Review of 21st-Century Studies. Atmosphere, 7(2)(15). SIATA. (2016). Sistema de Alerta Temprana de Medellín y el Valle de Aburrá. Sistema de Alerta Temprana de Medellín y el Valle de Aburrá. Medellín, Colombia.Singh, N., Murari, V., Kumar, M., Barman, S., & Banerjee, T. (2017). Fine particulates over South Asia: Review and meta-analysis of PM2.5 source apportionment through receptor model. Environmental Pollution, 223, 121-136.Stadlober, E., Hörmann, S., & Pfeiler, B. (2008). Quality and performance of a PM10 daily forecasting model. Atmos. Environ, 42, 1098–1109.Taheri Shahraiyni, H., Sodoudi, S., Cubasch, U., & Kerschbaumer, A. (2015). The influence of the plants on the decrease of air pollutants (Case study: Particulate matter in Berlin). In Presented at the Euro-American Conference for Academic Disciplines. Paris, France.Taheri, H., & Sodoudi, S. (2016). Statistical Modeling Approaches for PM10 Prediction in Urban Areas; A Review of 21st-Century Studies. Atmosphere, 7(15).Wang, P., Zhang, H., Qin, Z., & Zhang, G. (2017). A novel hybrid-Garch model based on ARIMA and SVM for PM2.5 concentrations forecasting. Atmospheric Pollution Research, In Press, Corrected Proof.Wiener, N. (1956). The Theory of Prediction. Modern Mathematics for Engineers. New York: McGraw-Hill.Woolridge, J. (2002). Econometric Analysis of Cross Section and Panel Data. Massachusetts: MIT Press.Zhang, G. (2003). Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, 50, 159–175.https://revistas.eia.edu.co/index.php/reveia/article/download/1217/1192Núm. 30 , Año 20181323011315Revista EIAPublicationOREORE.xmltext/xml2665https://repository.eia.edu.co/bitstreams/64ef3268-e820-420f-9f0e-eff1c24daa19/downloadb7746e3978410781a5a7803d11202805MD5111190/5035oai:repository.eia.edu.co:11190/50352023-07-25 17:02:07.09https://creativecommons.org/licenses/by-nc-sa/4.0/Revista EIA - 2018metadata.onlyhttps://repository.eia.edu.coRepositorio Institucional Universidad EIAbdigital@metabiblioteca.com |