PrOlor, Predice Incidentes de Olor con Dos Días de Antelación

el . . Visto: 15473

ProOlor. Prognosis of Odours

proolor softwarePrOlor es el primer sistema de pronóstico de olores, que predice con dos días de antelación cual va a ser el impacto por olores de una industria en una población cercana.. Es un sistema capaz de ejecutarse en tiempo real, asimilando los datos de emisiones a tiempo real y ejecutándose horariamente para poder conocer los concentraciones de olores futuras con las emisiones actuales. Del mismo modo, la arquitectura del software facilita la incorporación de nuevas fuentes emisoras o nuevas condiciones de emisión. Por último, con el desarrollo de una interfaz para smartphones, es posible consultar desde el móvil nuestra ubicación geográfica y conocer las zonas donde se producirán impactos por olores con 48 horas de antelación.

David Cartelle Fernándezb, Carlos N. Díaz Jiménez*a, Jose M. Vellón Grañab, Ángel Rodríguez Lópezb.

a SVPA, Servicios de Protección Ambiental

b TROPOSFERA

 Contacto:

 Sitio Web: www.prolor.net

  

En la actualidad una industria papelera y otra industria de rendering tienen instalado PrOlor, de tal forma que son capaces de conocer con dos días de antelación si se va a producir un incidente por olores en las poblaciones cercanas. Este conocimiento permite que estas industrias puedan aplazar los procesos que generan más emisión de olor o suspender temporalmente un proceso industrial de tal forma que se evita el impacto por olores y se evitan los problemas en los receptores conflictivos.

   PrOlor está basado en el sistema de modelos WRF/CALMET/CALPUFF, compilado e instalado para plataformas Linux. El procedimiento de funcionamiento es el siguiente:

  1. Generación de pronósticos meteorológicos con el modelo de mesoescala WRF.
  2. Downscalling meteorológico con CALMET hasta 200 m.
  3. Ejecución de CALPUFF
  4. Explotación de datos en formato netCDF: graficación, creación de ficheros de datos, generación de ficheros kml (google earth). Archivación “en la nube” y explotación mediante web y móvil (app android/IOS)

   Para el estudio de la problemática de los olores se llevan utilizando desde hace tiempo los modelos matemáticos de dispersión como complemento y herramienta de validación de las medidas de campo. En este sentido, los modelos de dispersión son una excelente solución para comprender la evolución temporal y espacial de los olores:

  • Proporciona estimaciones imparciales, reproductivas, y cuantitativas de las concentraciones del olor en muchos puntos en el dominio de estudio.
  • Permite la evaluación de numerosos factores ya sea individualmente o de modo global.
  • Permite el planteamiento del escenario “en el peor caso”.
  • Permite evaluar los beneficios en la reducción de emisiones de la fuente emisora.
  • Es substancialmente más bajo en coste que la evaluación de la calidad del aire por métodos analítico.
  • Es la manera MAS FIABLE de evaluar el impacto en escenarios futuros .

   La dispersión de olores está principalmente sujeta por la topografía alrededor de la fuente emisora de olores y las condiciones atmosféricas (Jacobson et al., 2005).

   Los principales parámetros utilizados para describir las condiciones atmosféricas son la temperatura ambiente, la capa de mezcla, la clase de estabilidad atmosférica, velocidad y dirección de viento, humedad relativa y radiación solar. (Guo et al., 2001b).

   Por otro lado, la clase de estabilidad atmosférica tiene un impacto sustancial en la dispersión de los olores (Jacobson et al. ,2000).

Metodología

   El Sistema PrOlor utiliza el modelo lagrangiano de calidad del aire “CALPUFF”. El CALPUFF posee un módulo meteorológico propio, denominado CALMET, donde se procesan los datos meteorológicos de estaciones de superficie y altura o bien de modelos meteorológicos tridimensionales. En PrOlor, los datos necesarios para alimentar al modelo CALMET se obtienen del modelo meteorológico WRF (ARW).

   Así mismo, el modelo CALPUFF requiere la introducción de unas tasas de emisiones en ouE, las cuales se generan en base a medidas o estimaciones de emisiones.

   Por último, el modelo CALPUFF, y para realizar correctamente la dispersión, integra un módulo de terreno. En este módulo, los datos topográficos se construyen a partir de datos de usos del suelo así como un modelo digital de terreno de la zona de estudio. Para España se utilizan los datos topográficos de LIDAR del CNIG, con una resolución de 5 m y para el resto del mundo los obtenidos en la misión SRTM3 (Shuttle Radar Topography Mission), cuya resolución es aproximadamente de 90 m. Los datos de usos de suelo se obtienen a partir del GLCC (Global Land Cover Characterization). Estos datos tienen una resolución de 300 m y contienen 22 clases de usos de suelo definidos según el LCSS (Land Cover Classification System). El GLCC está basado en las observaciones llevadas a cabo por el sensor MERIS del satélite ENVISAT entre diciembre de 2004 y Junio de 2006.

   La siguiente imagen muestra el proceso de interacción de los diferentes módulos en CALPUFF.

diagram

Figura 1.- Diagrama de la metodología de modelización

El sistema CALPUFF

   El modelo CALPUFF (Scire et al., 2000) es un modelo lagrangiano de puffs, multicapa, multiespecie, de estado no estacionario, utilizado para el diagnóstico de la dispersión de contaminantes en la atmósfera.

   El sistema de dispersión CALPUFF consta de 2 módulos principales: El modelo de diagnóstico meteorológico CALMET y el modelo de dispersión atmosférica CALPUFF.

   El modelo CALMET es un modelo de diagnóstico meteorológico tridimensional. Este modelo utiliza estaciones en superficie y altura (radiosondeos) u otros modelos meteorológicos. Está formado por un módulo de diagnóstico del campo de vientos capaz de simular efectos locales, como los flujos de ladera, efectos cinemáticos y de bloqueo del terreno y un módulo de capa límite, por el cual se obtiene, por ejemplo, la altura de la base de la capa de mezcla.

   La ventaja comparativa de este modelo meteorológico frente a las soluciones tradicionales gaussianas (ej. Uso de una sola estación meteorológica en superficie) es evidente, puesto que es capaz de simular condiciones a escala local que cambian por completo el escenario meteorológico, y por tanto, la dispersión de los contaminantes. En general, el modelo CALMET incluye tres pasos. El primer paso es interpolar o extrapolar los datos de viento medidos a la malla del dominio de estudio. El siguiente paso consiste en la parametrización para modelizar los efectos cinemáticos del terreno y del entorno. El tercer paso es ajustar los campos de vientos de modo que sean consistentes (condición de divergencia nula).

Modelo CALPUFF

   El modelo CALPUFF es usado para evaluar las concentraciones en superficie de contaminantes emitidos desde una gran variedad de fuentes de tipo industrial (fuentes puntuales, lineales, de área y de volumen). Se trata de un modelo de dispersión que trabaja simulando los efectos de las variaciones en el tiempo y en el espacio sobre el transporte, transformación y eliminación de los contaminantes.

   Tiene en cuenta el depósito seco y húmedo, así como la sedimentación de partículas, downwash, la sobreelevación de penachos, separación de fuentes, ajuste al terreno, etc.

   Se trata de un modelo regulatorio y recomendado actualmente por la US-EPA (agencia de protección ambiental del Gobierno de EE.UU.) para la evaluación de la calidad del aire .

   CALPUFF es un modelo que ha suscitado la atención de la comunidad científica y técnica gracias a su fiel representación de la simulación de la dispersión de olores comparado con otros modelos (USEPA, 1998; Allwine et al., 1998; Walker et al., 2002; Wang et al., 2005; Xing, 2006; Curran et al., 2007; Henry et al., 2007; Thomas et al., 2007; Yuguo Li, 2009). La aplicación de AERMOD para la simulación de olores también está bastante extendida. Sin embargo, la justificación de determinados algoritmos para la simulación de olores de este último y su precisión para la simulación de concentraciones de olores debe de ser clarificada y validada (USEPA, 2002; Yuguo Li, 2009).

   CALPUFF posee también entradas de tasa de emisión de olores en unidades de olor por unidad de tiempo para las fuentes emisoras. Esto supone un avance en la modelización de olores, debido a que la ingesta de las tasas de emisión masa/tiempo (ej., g/s) pueden producir la subestimación de concentraciones de olores (Zhu et al; 2000) como se producen en el caso del modelo INPUFF-2.

   En general, los modelos lagrangianos se utilizan para las evaluaciones del riesgo a la salud asociadas con emisiones de fuentes individuales, siendo el modelo CALPUFF uno de los más ampliamente usados (Levy et al., 2002; Zhou et al., 2003). En este modelo las emisiones se tratan como “puffs” –o paquetes– que experimentan procesos de transformación química al mismo tiempo que se van desplazando a través de un campo meteorológico tridimensional.

   Por último, el uso de modelos lagrangianos de puffs está recomendado para condiciones de terreno y meteorológicas complejas, como es el presente estudio.

Tratamiento de los datos meteorológicos en CALMET

El modelo WRF

   Para alimentar el modelo CALMET con datos meteorológicos, se ejecuta previamente el modelo meteorológico de mesoescala WRF (Weather Research and Forecasting).

   El WRF (http://www.wrf-model.org) es un modelo meteorológico de última generación que permite obtener campos de viento, presión, temperatura y humedad con alta resolución espacio-temporal, los cuales son de suma importancia como datos de entrada de los modelos de calidad de aire. El modelo WRF tiene la particularidad de poder ser configurado localmente para representar dominios espaciales en diferentes escalas de acuerdo al estudio que desee realizarse.

   En prOlor, se ejecuta diariamente el modelo WRF para un horizonte temporal de 48 h, inicializado a partir de los datos del GFS del National Centers for Environmental Prediction (NCEP). Partiendo de condiciones a escala sinóptica del FNL, se sigue un patrón de dominios anidados hasta obtener un dominio de modelado a alta resolución (3 km), centrado sobre la esquina NW de la península, obteniendo datos horarios de más de 20 parámetros meteorológicos y a 27 niveles diferentes de altura.

   A continuación se expone el mapa con los dos dominios anidados (D1, D2, y D3 de 27, 9 y 3 km2 de resolución, respectivamente) utilizados en las predicciones meteorológicas:

   El WRF está diseñado para utilizarse tanto en funciones de predicción como de reanálisis. Presenta una arquitectura modular, pudiendo ser aplicadas diferentes parametrizaciones de tipo dinámico o físico, entre otros. Ofrece también diversos sistemas de asimilación de datos reales, así como un paradigma de desarrollo software que permite su ejecución tanto en ordenadores personales como en grandes estaciones de computación paralela. WRF es adecuado para un amplio espectro de aplicaciones a distintas escalas, pudiendo trabajar a resoluciones de cientos de metros hasta miles de kilómetros.

ProOlor mapa incidentes olores

Figura 2.- Ejemplo de mapa que refleja el impacto por olores en una población.

Modelización con CALMET y CALPUFF

   Una vez terminado el proceso del WRF, se ejecuta el modelo CALMET 3D para el período de predicción, a través de la siguiente metodología:

   El fichero de salida WRF es tratado por la rutina CALWRF, que se encarga de leer la esta salida y transformarla en un fichero 3D.dat, formato aceptado para la ingesta por el modelo CALMET. Este fichero contiene todos los datos meteorológicos en altura y superficie que contiene el modelo WRF. En CALMET se realiza el “downscalling” meteorológico - aumento de la resolución de la salida del modelo WRF – hasta los 200 m., y posteriormente se ejecuta el modelo CALPUFF. La ingesta del modelo CALMET a través del modelo WRF supone una mejora sustancial debido a que este proporciona mucha más información en superficie y altura.

   En prOlor se modelizan 5 niveles en altura: 20, 50, 300, 1.000 y 3.000 m. A nivel de detalle para la zona de estudio, se puede observar (Figura 6) cómo el resultado de CALMET sobre el campo de vientos en superficie (flechas negras) genera nuevas condiciones micrometeorológicas, lo que propicia nuevas condiciones en la dispersión de olores.

Conclusiones

   PrOlor es el primer software que ayuda a la industria porque es capaz de predecir un incidente por olores con 48 horas de antelación. PrOlor se basa en las últimas técnicas de modelización de olores con el modelo lagrangiano CALPUFF y el modelo meteorológico CALMET alimentado por datos obtenidos con el modelo WRF.

   Mediante el uso de las mejores técnicas de modelación, PrOlor es a día de hoy, el único software existente que permite a la industria tomar acciones correctoras con hasta 2 días de antelación, mediante la consulta de una página web o mediante el uso de un smartphone con la app de PrOlor instalada.

 

Referencias

Bächlin, W.; Rühling, A.; Lohmeyer, A., 2002. Bereitstellung von validierungs-daten für geruchsausbreitungs-modelle-naturmessungen., Baden-Württemberg Environmental Agency.

Barclay J., Borissova M., 2013, Potential Problems Using Aermod To Implement Current Odor Regulations For WWTPs, 5th IWA conference on Odours and Air Emissions, San Francisco, USA.

Diaz C., 2009, The Fascinating Study of the Peak to Mean Ratio accessed 11.07.2014 (in Spanish).

Diaz C., Cartelle D., Barclay J., 2014, Revision of Regulatory Dispersion Models, an Important Key in Environmental Odour Management, Ist International Seminar of Odours in the Environment, Santiago, Chile.

Capelli L., Dentoni L., Sironi S., Guillot JM, 2012, Experimental Approach for the Validation of Odour Dispersion Modelling, NOSE 2012.

German Ministry of Environment, Technische Anleitung zur Reinhaltung der Luft, 2002

Guo, H., L. D. Jacobson, D. R. Schmidt, and R. E. Nicolai. 2001.Calibrating INPUFF-2 model by resident-panelists for long-distance odor dispersion from animal production sites.
Applied Eng. in Agric. 17(6): 859-868

Jacobson, L. D., H. Guo, D. R. Schmidt, R. E. Nicolai, J. Zhu, and K. A. Janni. 2005. Development of the OFFSET model for determination of odor-annoyance-free setback distances from animal production sites: Part  I. Review and experiment. Trans.
ASAE 48(6): 2259−2268.

Jacobson, L. D., H. Guo, D. Schmidt, and R. E. Nicolai. 2000. Development of an odor rating system to estimate setback distances from animal feedlots: Odor from feedlots - setback estimation tool (OFFSET). ASAE Paper No. 004044. St.
Joseph, Mich.: ASAE

Scire J., Strimaitis David G., Yamartino Robert J.2000. A User’s Guide for the CALPUFF Dispersion Model

 

Si le ha interesado esta noticia, probablemente le interesen los siguientes artículos:

 

Por favor note que este sitio usa cookies para funcionar adecuadamente.

Aprenda más sobre nuestra política de cookies Saber más

Acepto

Consulte los siguientes puntos si quiere aprender más sobre nuestra política de cookies.

 

¿Qué son las cookies?

   Una cookie es un archivo almacenado en el navegador web que registra información de la visita de un usuario, tales como preferencias del usuario. Cuando el usuario regresa a la web, el navegador web proporciona la cookie con la información almacenada al sitio.

¿Para qué se usan las cookies?

   Las cookies se usan para ajustar el contenido de la web a las preferencias del usuario y para optimizar la web. Las cookies almacenan información importante para mejorar la experiencia de los usuarios en la web. Normalmente se usan para:

  •     Almacenar información sobre logueo así el usuario no necesita reloguearse de nuevo en cada visita a la web. No obstante, no es necesario estar registrado o registrada para ver todo el contenido de la web. La única ventaja que tiene registrarse es recibir el boletín mensual de noticias.
  •     Reconocer el tipo de dispositivo y el navegador con el que el usuario navega por la web, para optimizar la web a esas características.
  •     Recopilar estadísticas que puedan ayudarnos a comprender como interactúan los usuarios con la web, lo que nos permite mejorar su estructura y contenido. Dado que tratamos de respetar tu privacidad al máximo, intentamos trabajar con motores estadísticos dedicados menos conocidos, pero que no usan estos datos después para otros fines publicitarios.

¿Qué tipos de cookies se usan?

   Hay dos tipos de cookies: las cookies persistentes y las cookies de sesión. Las cookies persistentes se mantienen en su disco duro por un periodo de tiempo especificado en el parámetro de archivo de la cookie o hasta que se eliminan manualmente. Cuando usted regresa a una página web y se le requiere nuevamente, a pesar de haber almacenado anteriormente sus datos de acceso, es debido aque la cookie persistente ha expirado; esto ayuda a aumentar la seguridad a la vez que se mantiene la accesibilidad.

   Por otro lado, las cookies de sesión se usan temporalmente y expiran una vez cerrada la página web o el navegador. Éstas se utilizan para rastrear la actividad del usuario en una web durante una sola visita. Cuando una página web requiere que verifique su edad y localización en cada visita antes de permitir el acceso al contenido y sin requerir ningún dato personal adicional, es que las cookies de sesión están en funcionamiento.

¿Las cookies incluyen datos personales?

   Si fuera necesario la recopilación de información personal, por ejemplo para la creación se cuentas, entonces las cookies podrían almacenar información personal. Sin embargo, este no es el caso de las cookies de olores.org.

Gestión de cookies

   Por defecto, los navegadores están configurados para aceptar las cookies. Sin embargo, estas características pueden modificarse bloqueando por completo las cookies o informando al usuario cada vez que se utilizan. La información detallada sobre las cookies y sus opciones asociadas se encuentran en las opciones/preferencias de configuración de cada navegador.

¿Qué cookies registra olores.org?

   Olores.org recoge datos de las cookies con dos propósitos:

  • Realizar un seguimiento estadístico.
  • Establecer las preferencias de idioma.

   Nosotros utilizamos cookies a través de Statcounter para recopilar diferentes datos estadísticos.

Cookies de Statcounter

   StatCounter es una web de servicios analíticos. Utilizamos StatCounter para traquear la actividad de nuestra página web. Estas estadísticas nos ayudan a entender cómo los usuarios interactúan con la web para mejorar el diseño y la funcionalidad de ésta, para ofrecer una mejor experiencia online a nuestros visitantes. Si usted visita Olores.org, una cookie analítica (llamada "is_unique") se guardará en su navegador. Esta cookie se utiliza solamente para determinar si usted es un visitante nuevo o recurrente y para estimar las visitas únicas a la web. En esta cookie no se almacena ninguna información personal.

Rehusar las cookies de Statcounter

   Usted puede configurar su navegador para aceptar/rechazar las cookies analíticas de StatCounter en este enlace:

   NOTAS:

  • Su decisión de rechazar/aceptar las cookies analíticas de StatCounter para todas las páginas web que utilizan el servicio de StatCounter (incluyendo el propio sitio web de StatCounter)
  • Si usted rechaza todas las cookies analíticas de StatCounter, una cookie de rechazo (llamada "refusal_cookie") se instalará para recordar esta preferencia y cualquier cookie analítica existente de StatCounter en su navegador se eliminará.
  • Si usted borra/modifica/elimina la cookie de rechazo, deberá volver a visitar esta página web para re-establecer sus preferencias.
  • La cookie de rechazo se establece solamente para su navegador y equipo actuales. Si usted utiliza múltiples navegadores/equipos, deberá establecer la cookie de rechazo en cada caso.
  • También puede cambiar la configuración de las cookies directamente en su navegador. Conozca más sobre las cookies y como manejarlas en este enlace: http://www.allaboutcookies.org/cookies/index.html
  • O aprenda a ajustar las opciones de las cookies para navegadores específicos aquí: