Universidad Juárez Autónoma de Tabasco

División Académica de Ciencias Biológicas

Estimación de la concentración con base al PM10 del aire dentro de los edificios de la División Académica de Ciencias Biológicas mediante RNA

Anteproyecto de TESIS

Para obtener el Título de

Ingeniero Ambiental

Presentan:

Irving

Asesores

MISA Elizabeth Magaña VillegasDr. Carlos

Villahermosa, Tabasco. Septiembre de 2015

1. INTRODUCCIÓNEn las últimas décadas en nuestro país al igual que en otros países del mundo se ha observado un gran avance industrial aunado al crecimiento acelerado de la población y por consiguiente al aumento en la demanda de bienes y servicios, por ejemplo: el incremento en el parque vehicular, generan grandes cantidades de emisiones de gases y partículas ajenas al aire ambiente, llamados contaminantes atmosféricos. El exceso de éstos contaminantes provoca el deterioro de la calidad del aire que respiramos con consecuencias dañinas tanta a las especies animales y vegetales de la región como a los habitantes de la ciudad (Sastre et al, 2013).

Las sustancias contaminantes generalmente se originan de forma natural y de las actividades humanas, y representan un peligro para la salud de los seres vivos que están expuestos a ellas. Gracias a la preocupación de los países, por la emisión y los efectos de estos contaminantes, se han desarrollado numerosos estudios acerca del comportamiento, el origen y transporte de los mismos (Gao et al., 2014; Gens et al., 2014; Katsoyiannis & Bogdal, 2012). De igual forma, se han implementado estrategias de mitigación y control de la contaminación en el aire, aún con resultados insuficientes.

Considerando que la exposición a los contaminantes del aire puede causar efectos agudos (corto plazo) y crónicos (largo plazo) en la salud. Los efectos crónicos en la salud incluyen la disminución de la capacidad pulmonar y cáncer a los pulmones debido a un prolongado período de exposición a contaminantes del aire. En México se han realizado estudios de la contaminación del aire en el exterior, que cuantifican un incremento en la morbilidad o mortalidad asociada a la contaminación principalmente por PM10 y Ozono (NOM-025-SSA1-1993). De igual manera la exposición a la contaminación atmosférica fue responsable de 38,000 muertes por cáncer pulmonar, enfermedades cardio-pulmonares e infecciones respiratorias durante el período 2001-2005. El 38% de esas muertes ocurrió en la zona metropolitana del Valle de México y el 23% en las zonas metropolitanas de Guadalajara, Monterrey, Toluca y en la ciudad de Puebla. Se estimó que 5 mil muertes correspondieron a niños. Los efectos de la contaminación urbana por materia particulada en la mortalidad infantil fueron mayores en Toluca y Puebla con 0.53 y 0.43 por cada 1.000 niños, respectivamente, frente a 0.18% en las otras zonas urbanas (Stevens et al., 2008).

Sin embargo, recientes investigaciones han demostrado la presencia de contaminantes en el aire interior, en concentraciones mayores a las del aire exterior (Chen et al., 2013; Vukovic et al., 2014). De la misma forma, se ha comprobado que las personas pasan la mayor parte del tiempo de sus vidas en éstos espacios (Katsoyiannis & Bogdal, 2012; Branco et al., 2014; Silva-Almeida et al., 2014), y con esto, la sociedad se ha vuelto más vulnerable a la exposición frecuente de altos niveles de contaminantes, teniendo como consecuencia el desarrollo de enfermedades respiratorias, cardiovasculares e incluso cancerígenas.

En este contexto, la presente investigación, tiene como objetivo

JUSTIFICACIÓN

La contaminación en interiores está poco estudiadaSe ha demostrado que la contaminación en el interior es mayor que la del exteriorHay la necesidad de saber los niveles de exposición de las personas que pasan muchas horas en el interiorEconómicamente no es posible tener medidores de calidad del aire en interiores Redes neuronales son herramientas que han demostrado mucha efectividad en problemáticas multiparametricas.

2. MARCO TEÓRICO

CALIDAD DEL AIRE

La contaminación atmosférica es la presencia de material indeseable, contaminantes, en el aire, en cantidades significativas como para producir efectos nocivos. Los contaminantes pueden dañar la salud humana, la vegetación, los bienes humanos o el medio ambiente global, así como crear mala apariencia y olores desagradables. Las fuentes principales de éstos contaminantes son las actividades humanas, las cuales se encuentran íntimamente asociadas con nuestro estándar de calidad de vida. El remedio propuesto en la mayor parte de los países industriales es continuar las actividades y controlar las emisiones contaminantes del aire que provengan de estas fuentes (Nevers, 1998).

1.1 CONTAMINANTES EN INTERIORES Y SUS EFECTOS A LA SALUD

LA CONTAMINACIÓN DEL INTERIOR DEPENDE DE LAS ACTIVIDADES DENTRO DEL RECINTO Y DE LA CONTAMINACIÓN FUERA DEL RECITO

Ya que los contaminantes del exterior mediante un mecanismo de advección son transportados al interior

REDES NEURONALES ARTIFICIALES

¿Qué son?, ¿Cómo están constituidas? Y ¿Cómo funcionan?

Antecedentes teóricos de Redes Neuronales Artificiales (RNA’s)

Las RNA’s son modelos computacionales que tratan de replicar, de manera simplificada, el complejo funcionamiento del cerebro humano. Las redes neuronales artificiales son sistemas de procesamiento de información, desarrolladas por científicos cognitivos con el propósito de entender el sistema nervioso biológico e imitar los métodos computacionales del cerebro (Shachmurove, 2002) y su impresionante habilidad para reconocer patrones (Tkacz, 1999) [11].

El elemento funcional básico del cerebro es la neurona. La neurona, a su vez, está conformada por un cuerpo o soma, unas dendritas y un axón. Cada neurona recibe estímulos eléctricos de otras neuronas a través de las dendritas. En el soma se lleva a cabo la integración de toda la información obtenida en las dendritas. Estos estímulos son amplificados o disminuidos durante la sinapsis y luego sumados. Finalmente, si la suma de todos los estímulos es mayor que el umbral de resistencia máximo de la neurona, entonces el axón transmite a otras células el mensaje resultante de la integración. Estas conexione sinápticas, cuya intensidad es variable, se usan para enviar mensajes entre neuronas. Las neuronas coleccionan la información y aprenden patrones al reforzar sus conexiones tal como se muestra en la figura 1. Las redes neuronales artificiales se inspiran en la estructura y funciones de las neuronas biológicas. Una red neuronal artificial es esencialmente una colección de neuronas interconectadas, agrupadas en capas. La neurona artificial recibe distintos valores de entrada (inputs) que son multiplicados por una ponderación. En el escenario más simple, estos productos son sumados para obtener un valor de salida (output). La forma más básica de red neuronal se encuentra estrechamente vinculada con las técnicas econométricas de regresión estándar. Este tipo de red simplificada posee dos capas, una de inputs y otra de output que se observa en la figura 2 [11].

Existen diferentes maneras de entrenar una red que son reglas de aprendizaje una de ellas es la regla de retro-propagación (backpropagation) propuesta en 1986, por rumelhart, Hinton y Willians [Rummelhart 86], basándose en los trabajos de otros investigadores [Werbos 74] [Parker 82] formalizaron un método para que una red aprendiera la asociación que existe entre los patrones de entradas y las clases correspondientes, utilizando más niveles de neuronas que los que uso Rosenblatt para desarrollar el Perceptrón. Este método también puede ser llamado como (propagación del error hacia atrás) [11].

Se requiere de ingresar información a las neuronas de entrada, que se va propagando a través de todas las capas superiores de la red hasta generar la salida de la red, se compara el resultado obtenido las neuronas de salida (output) con los valores de salida deseados (target) y se al calcula el error para cada neurona en la capa de salida. Se transmite esto errores hacia atrás, partiendo de la salida, hacia todas las neuronas de la capa intermedia que contribuyan directamente a la salida,

Figura 2 representación matemática de una neurona artificial.

recibiendo el porcentaje del error aproximado a la participación de la neurona intermedia a la salida original [11].

La importancia de la red Backpropagation adapta sus pesos de las neuronas de la capa intermedia para aprender la relación que existe entre un conjunto de patrones dados como ejemplo y sus salidas correspondientes [11].

El objetivo principal de cualquier técnica de optimización es encontrar el óptimo (o los óptimos) globales de cualquier problema. En matemáticas, existe un ´área que se ocupa de desarrollar los formalismos que nos permitan garantizar la convergencia de un método hacia el ´optimo global de un problema. Apropiadamente, se denomina utilizo una técnica evolutiva para problemas de optimización con restricciones lineales. La idea principal de su propuesta era usar un individuo factible el cual se modificaba a través de un operador de mutación hacia un conjunto de direcciones posibles de movimiento. Al extender esta técnica a problemas más complejos, utilizo además operadores de recombinación especializados optimización global [12].

El cual fue propuesto originalmente por Cauchy en 1847. La idea del método es comenzar de un cierto punto cualquier de X1 y luego moverse a lo largo de las direcciones de descenso más empinado hasta encontrar el óptimo [12].

Generación de pesos y umbrales aleatorios.

Se requiere de la generación de pesos w kjo y umbrales θk

oque se mantenga en un rango de 0 y 1 se

necesitara repetir el experimento para ello se utiliza la semilla que se encarga de mantener los mismos valores aleatorios en los diferentes experimentos que se realicen un subrutina llamado seed. Los pesos se generan por cada neurona entrada y salida de una capa que se re de la red obteniendo una matriz de dos dimensiones. Los umbrales se requiere uno por cada neurona de la siguiente capa queda solo un vector antes de entrar a la siguiente capa. Para ello se utiliza una función llamada rand en MATLAB.

Función de Transferencia.

Para la función de transferencia se llaman a los datos de entrada, a los pesos w kjo y θk

oumbrales

generados aleatoriamente después corresponde a hacer la suma pesada net pko que se muestra en la

ecuación 1 esto lo hace en cada capa de la neurona; la entrada de la siguiente y pj capa es la salida de la anterior para generarla se usa una función de transferencia esta tiene que ser derivable normalmente se utiliza la sigmoidal ecuación 2 para las neuronas de la capa oculta y para la salida de la red se usó la lineal ecuación 3.

net pko =∑

j

p

wkjo ¿ y pj+θk

o (1 )

y pj=Fk (net jk )=( 12 )∗(1+ tanh (net jk ))(2)

y pj=Fk (net jk )=net jk (3)

Este paso se repite hasta que finalice todos los patrones de las entradas hayan generado una salida correspondiente.

Función de Energía (error).

De la función de transferencia se generan un valor de predicción y pj que requiere ser comparado con

el valor real t pjy evaluado en la siguiente Ecuación 5.

E=12∑P=1

P

∑J=1

n

(t pj− y pj)2(4)

Esta función llama a los valores de salida generados por la función de transferencia evaluándolo con los pesos designados, y llama a los valores que se desean predecir es decir los target, resta cada valor predicho con su homónimo valor en los target, esta diferencia se eleva al cuadrado, se suman y por último se vuelven a sumar.

OPTIMIZACIÓN DEL ERROR: METODO GRADIENTE DESCENDIENTE.

El método consiste en encontrar un valor mínimo global mediante valores mínimos locales, la minimización de la función del error (también denominada función de energía) E puede lograrse una gran variedad de métodos de optimización. Los métodos más comunes en la literatura de las redes neuronales artificiales son el método del gradiente descendiente y el gradiente conjugado, estos requieren de expresiones para las derivadas parciales tomando en cuenta que todos los pesos y umbrales generados en la red son variables. Iniciando con la capa superior y consecuentemente con cada capa inmediata inferior, para él se utiliza un tamaño de lambda fijo ƛ Ecuación.6, definido como el tamaño de salto que debe tomar al siguiente punto de la función.

X new=−ƛ∗∇ Z+Xo(5)

La X new la ecuación 6 es la que genera los nuevos valores de pesos y umbrales que se irán guardando y se ira evaluando con los valores de función de transferencia en la función del error hasta alcanzar un valor de tolerancia del error permitido por el usuario.

3. ANTECEDENTES

Antecedentes de Redes Neuronales.

1943 – Warren S. McCulloch/Walter Pitts. Un neurofisiólogo y un matemático, respectivamente, fueron los primeros teóricos que concibieron los fundamentos de las redes neuronales, al publicar una teoría acerca de la forma de trabajar de las neuronas (Un Cálculo Lógico de la Inminente Idea de la Actividad Nerviosa - Boletín de Matemática Biofísica 5: 115-133). Ellos realizaron el primer modelo de neurona artificial. [9]

1949 - Donald O. Hebb. Fue el primero en explicar los procesos del aprendizaje (que es el elemento básico de la inteligencia humana) desde un punto de vista psicológico, desarrollando una regla de como el aprendizaje ocurría. Aun hoy, este es el fundamento de la mayoría de las funciones de aprendizaje que pueden hallarse en una red neuronal. Su idea fue que el aprendizaje ocurría cuando ciertos cambios en una neurona eran activados. [9]

1957 - Frank Rosenblatt. Comenzó el desarrollo del Perceptrón. Esta es la red neuronal más antigua; utilizándose hoy en día para aplicación como reconocedor de patrones. Este modelo era capaz de generalizar, es decir, después de haber aprendido una serie de patrones podía reconocer otros similares, aunque no se le hubiesen presentado anteriormente. Sin embargo, tenía una serie de limitaciones, por ejemplo, su incapacidad para resolver el problema de la función OR-exclusiva y, en general, era incapaz de clasificar clases no separables linealmente. [9]

1960 - Bernard Widrow/Marcial Hoff. Desarrollaron el modelo Adaline (ADAptative LINear Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros adaptativos para eliminar ecos en las líneas telefónicas) que se ha utilizado comercialmente durante varias décadas. [9]

1961 - Karl Steinbuch: Desarrolla la Lernmatrix (memoria asociativa que es capaz de recuperar una imagen o conocimiento, aun cuando el medio este viciado). [9]

1969 - Marvin Minsky/Seymour Papert. En este año surgieron críticas que frenaron, hasta 1982, el crecimiento que estaban experimentando las investigaciones sobre redes neuronales. Minsky y Papert, del Instituto Tecnológico de Massachussets (MIT), publicaron un libro Perceptrons, en el cual probaron (matemáticamente) que el Perceptrón no era capaz de resolver problemas relativamente fáciles, tales como el aprendizaje de una función no-lineal. A pesar del libro, algunos investigadores continuaron su trabajo. Tal fue el caso de James Anderson, que desarrolló un modelo lineal, llamado Lineal Associator. [9]

1974 - Paul Werbos. Desarrolló la idea básica del algoritmo de aprendizaje de propagación hacia atrás (backpropagation); cuyo significado quedó definitivamente aclarado en 1985. [9]

1977 - Teuvo Kohonen. Ingeniero electrónico de la Universidad de Helsinki, desarrolló un modelo similar al de Anderson, pero independientemente. [9]

1982 - John J. Hopfield. Provocó el renacimiento de las redes neuronales con su libro: “Computación neuronal de decisiones en problemas de optimización.” [9]

1986 - Rumelhart/Hinton. Redescubrieron el algoritmo de aprendizaje de propagación hacia atrás (backpropagation). A partir de 1986, el panorama fue alentador con respecto a las investigaciones y el desarrollo de las redes neuronales [10, 9].

Antecedentes de calidad del aire

En los últimos años la preocupación por los efectos negativos debido a la contaminación del aire ambiente en la salud humana ha llevado a la realización de diversas investigaciones (Katsoyiannis

& Bogdal, 2012; Gao et al., 2014; Gens et al., 2014), a partir de las cuales ha surgido el interés por conocer la calidad del aire interior y sus efectos adversos.

Las investigaciones anteriormente mencionadas, han demostrado que existe una relación con la calidad del aire interior y la salud humana, las investigaciones asocian los impactos negativos sobre la salud humana debido a las altas concentraciones interiores de contaminantes; algunas asociaciones que se han desarrollado han sido la relación de contaminantes interiores como Material Particulado, NO2, COV’s con trastornos respiratorios, cardiovasculares, leucemia infantil, morbilidad y mortalidad.

Los resultados obtenidos en las investigaciones muestran que el aislamiento, el aumento de la hermeticidad de los edificios residenciales, el uso de materiales sintéticos para la decoración de paredes y muebles, el cierre de las puertas y ventanas durante la noche en el invierno y / o verano, la historia paterna de fumar conduce a un aumento global de la media de la exposición de la población y en consecuencia efectos negativos de salud (Katsoyiannis & Bogdal, 2012;Gao et al., 2014;Gens et al., 2014).

Debido a características presentadas en interiores como una inadecuada ventilación, la realización de actividades de limpieza y diseño de interiores, diversos estudios coinciden en que la contaminación del aire es más alta en interiores que en exteriores(Chen et al.,2013;Vukovic et al.,2014).Las poblaciones más vulnerables por la contaminación del aire son niños y adultos mayores siendo estos de interés para diversos estudios debido a que su estilo de vida actual los lleva a pasar mayor tiempo en interiores, para estas poblaciones se han realizado estudios en guarderías y asilos, donde se han encontrado concentraciones altas de material particulado en sus interiores e incluso con concentraciones por encima de los límites recomendados por la OMS(Branco et al., 2014;Silva-Almeida et al., 2014).

Uno de los factores más importantes que se incluyen para la determinación de la calidad del aire interior es la resuspención debido a que es un factor que puede aumentar el tamaño de las partículas y la concentración ocasionando un aumento del riesgo de exposición. (Qian et al., 2014)

Investigaciones recientes(You et al.,2012;Chen et al.,2013)con el objetivo de estimar la contaminación interior han desarrollado modelos basados en parámetros como aire interior completamente mezclado, la fracción de residencias con aires acondicionados ,la fracción de tiempo que las ventanas se cierran cuando el enfriamiento se produce en edificios con aire acondicionado, las fracciones de tiempo que las ventanas están abiertas o cerradas para edificios con o sin aire acondicionado, los factores de penetración de las partículas, tasas de cambio de aire y resuspención.

4. OBJETIVO GENERAL

Desarrollar un modelo de red neuronal artificial de alimentación hacia adelante para la predicción de la contaminación con base en PM10 en el aire interior de aulas y oficinas de la División Académica de Ciencias Biológicas que permitan generar datos relevantes para impulsar y reforzar programas de protección en la institución.

Específicos

Seleccionar los sitios de estudios (aulas y oficinas) para la investigación el monitoreo de la calidad del aire de interiores e

identificar las fuentes de emisión y los mecanismos de transporte.

Monitorear parámetros meteorológicos y concentraciones de los contaminantes en interiores de los edificios de la DACBiol.

Desarrollar un análisisAnálisis estadístico que permita determinar las variables relacionadas que afectan las concentraciones de PM10.

Diseño y Entrenamiento de la un modelo de red neuronal artificial.

Validar los valores que se obtengan a partir del entrenamiento.Validación del modelo de red neuronal

5. ÁREA DE ESTUDIO

La División Académica de Ciencias Biológicas (DACBiol) ubicada en Carretera Villahermosa-Cárdenas Km. 0.5 S/N, entronque a Bosques de Saloya en la ciudad de Villahermosa, Tabasco, México. Actualmente tiene una comunidad de 2070 estudiantes y cerca de 186 profesores, además cuenta con trabajadores administrativos y personal de intendencia.

La DACBiol cuenta con distintos edificios los cuales incluyen laboratorios, salones, oficinas, cubículos, baños, almacenes, sala de maestros, biblioteca, cafetería, auditorios y salas de cómputo, la división está rodeada por árboles y se ubica en el entronque de dos carreteras, las cuales son: Carretera Villahermosa- Coatzacoalcos que es una autopista federal de cuatro carriles y dos sentidos separados físicamente por una faja central, el flujo de autos es mayor a 5 000 vehículos por día que son vehículos ligeros, medianos y pesados; mientras que en la otra es carretera arterial Bosques de Saloya es de un solo cuerpo y un carril por sentido de circulación, los vehículos que la atraviesan son motocicletas y automóviles ligeros y medianos, en ella se ubica un unidad de verificación donde arriban camiones pesados cabe mencionar que al inicio de la carretera hay una parada de camiones de pasaje.

Figura 1.Ubicación de cada uno de los espacios seleccionados en el muestreo.

Condiciones meteorológicas de la zona

6. Materiales y métodos.

Para conocer la calidad del aire interior el trabajo se realizó en tres etapas. En la primera etapa se seleccionaron y caracterizaron los sitios de muestreo. La segunda etapa consistió en el monitoreo utilizando equipos de medición de datos meteorológicos y un contador de partículas. En la tercera mediante un modelo de dispersión de contaminantes atmosféricos se estimó la concentración en el aire exterior del área de estudio y se analizó la relación con la calidad del aire interior. También se realizó un análisis estadístico de los datos del monitoreo y se ajustó un modelo de tendencia de los datos.

SELECCIÓN Y CARACTERIZACIÓNPara la selección de espacios, primero se efectuó un recorrido sistemático de cada edificio, se enlistó cada uno de los espacios físicos (Aulas, oficinas, salas de juntas, espacios secretariales, baños, etc.) e identificó con una clave como referencia. Posteriormente, mediante una selección aleatoria se obtuvo una muestra constituida por 18 espacios interiores (Ver tabla 1). Para cada espacio interior se anotaron características como: tamaño (área del piso y volumen), tamaño de la puerta, número y tamaño de ventanas, si cuenta o no con aire acondicionado y número de ventiladores. Con una cámara fotográfica se realizó una memoria fotográfica de cada espacio para conocer el mobiliario, el número de puertas y ventanas, el sistema de ventilación y entradas de aire. De la misma forma se determinaron las medidas y posiciones del inmobiliario, las puertas y ventanas. Del total de espacios seleccionados, dos sitios fueron descartados ¿por qué?: Cubículo 3 y cubículo 7, por lo tanto quedaron un total de 16 sitios de muestreo. La figura 2 muestra un esquema típico de las aulas seleccionadas para este estudio diseñado en Sweet Home 3D, un editor CAD de ingeniería, arquitectura y construcción.

Tabla 1.Espacios obtenidos de la muestra aleatoria

No. EDIFICIO NOMBRE O NÚMERO UBICACIÓN FUNCIÓN CLAVE

1 C AUDITORIO RAMON MARGALEF Edificio C AUDITORIO A2

2 C CUBICULO 1 M. Laines CUBICULO L1

3 CICART CUBICULO 22do piso prof

manzanilla CUBICULO L3

4 CICART CUBICULO 3 1er piso CUBICULO L14

5 HERBARIO CUBICULO 5Planta alta

herbario nelly CUBICULO L57

6 HERBARIO CUBICULO 7Planta baja sala

de juntas CUBICULO L65

7 ACUACULTURA CUBICULO 7 Planta Alta CUBICULO L85

8 C LABORATORIO 1Planta alta Edificio C LABORATORIO M1

9 CICART LABORATORIO DE REMEDIACIÓN Planta Baja LABORATORIO M24

10 ED. RESEDEZ LABORATORIO 5 (ICTIOLOGÍA) Planta Baja LABORATORIO M34

11 LABORATORIOS LABORATORIO 2 FISICOQUIMICA Planta Baja LABORATORIO M42

12 A SERVICIOS ESCOLARES Edificio A OFICINA N1

13 CICART JEFATURA DE INVESTIGACIÓNPlanta Baja

capelo OFICINA N14

14 A 1 Edificio A SALON P1

15 B 6 Edificio B SALON P23

16 D 4 Edificio D SALON P31

17 F 8 Edificio F SALON P46

18 CICARTAULA DE COMPUTO AVANZADO

3 2do piso SALON P49

Figura 2. Aula modelo diseñada con apoyo de Sweet Home 3D

MONITOREOCon un equipo portátil denominado estación meteorológica se midió la humedad relativa y la temperatura de cada espacio interior del 23 al 27 de marzo del 2015. Se contabilizó la ocupación y el tránsito de personas durante el día en el interior de los sitios seleccionados con el fin de conocer el comportamiento de estos parámetros durante distintas horas del día. También se recopilaron datos exteriores medidos por la estación meteorológica de la DACBiol. La segunda etapa del monitoreo se llevó a cabo con el Contador de Partículas EVM, que es un equipo automatizado con la capacidad de medir simultáneamente parámetros como: Humedad relativa, temperatura, punto de rocío, velocidad del viento, Material Particulado (2.5, 4 y 10 m) y COμ 2 en el interior de las habitaciones. De los 18 espacios seleccionados, en 4 se monitoreó con el Contador de Partículas EVM, debido a su fácil acceso, que son: Laboratorio de remediación, Oficina de Servicios Escolares, Cubículo del edificio C y el Aula F08. Para esta etapa se ubicó estratégicamente el Contador de Partículas EVM en el interior, y se programó para que midiera cada cinco minutos en un periodo de 4 horas de 10 a.m. a 2 p.m. entre tres y cuatro días para cada sitio, entre los meses de Junio y Julio del 2015 Sería bueno decir de que día a que día de estos meses. Los parámetros medidos fueron humedad relativa, temperatura, CO2 y PM10. Cuando se cumplió el periodo de monitoreo, mediante el Software DMS las mediciones se vaciaron en bases de datos, donde se examinaron las gráficas preliminares y se crearon bases de datos para su posterior análisis.

CRONOGRAMA DE ACTIVIDADES

Bibliografía