Capitulo 2

2 Estimacin del rea de Influencia en Calidad del Aire.
Este captulo se centra en la determinacin del rea de Influencia del COSAC I; en

otros captulos de este Informe Final se presentan en detalle aspectos tales como la
descripcin de las principales fuentes emisoras del transporte, cmo estimar las
emisiones de este sector (con y sin COSAC), cmo ha evolucionado la calidad del
aire en la ciudad, cules antecedentes sobre contaminacin y ruido se han medido
en el Estudio, etc., aspectos que se van a analizar en forma conjunta con los
resultados de la modelacin de la dispersin de contaminantes.
En la siguiente figura se presenta de manera esquemtica el enfoque metodolgico
especfico que se utilizar para la determinacin del rea de influencia y para la
evaluacin de la lnea base (sin COSAC) mediante el uso de herramientas de
modelacin de la dispersin atmosfrica de los contaminantes emitidos por las
diversas actividades en la ciudad.
Figura 2-1. Enfoque Metodolgico para la Modelacin de la Dispersin
Estudio de Lnea Base Ambiental COSAC I
2-1
Se aprecia que el esquema es de tipo iterativo, donde se ingresa el inventario de

emisiones, se modela la dispersin de ellas, se comparan las concentraciones
simuladas con las observadas y, en caso de no existir buena concordancia, se
retorna a la etapa de clculo de las emisiones, revisando los supuestos respecto a
factores de emisin, niveles de actividad, etc. hasta que se llega a tener un
inventario razonablemente apropiado para la zona estudiada, al cual se le puede
denominar entonces inventario validado. Los Captulos 8 y 9 entregan en detalle
cmo se han estimado las emisiones del sector transporte sin y con COSAC I en
operacin, respectivamente. Este es un aspecto importante de recalcar, ya que se
produce una sinergia entre esta actividad, la actividad de generacin del inventario
de emisiones de la lnea base y el monitoreo de la lnea base del COSAC I, puesto
que ste ltimo antecedente permite mejorar el inventario de emisiones de fuentes
mviles mediante la modelacin de la dispersin de esas emisiones y la
comparacin de lo monitoreado con lo simulado.
En resumen, las dos tareas principales que se ejecutarn son:
a) La simulacin de la dispersin de todas las emisiones de fuentes mviles para
el rea metropolitana de Lima y Callao (sin COSAC I), generar simulaciones
que se verificarn mediante la comparacin con el monitoreo ambiental,
validando la aplicacin del modelo de dispersin. Esto permitir establecer la
lnea base del transporte, previa a la implementacin del COSAC I.
b) La simulacin de la dispersin de todas las emisiones de fuentes mviles para
el rea metropolitana de Lima y Callao (con COSAC I), generar simulaciones
que, al ser comparadas con las simulaciones de la lnea base, permitirn
definir el rea de influencia del COSAC I.
A continuacin se describe en detalle la seleccin del modelo de dispersin
escogido, la preparacin de los archivos de entrada al modelo, la visualizacin como
herramienta de verificacin de la consistencia de la informacin generada, etc.
2.1
MODELO DE DISPERSIN ATMOSFRICA PARA LIMA CALLAO
Como modelo de dispersin se va a emplear el Industrial Source Complex (ISC3,

versin actualizada a Febrero de 2002), modelo Gaussiano desarrollado por la
Agencia de Proteccin del Ambiente de EEUU (U.S. EPA) para modelar todo tipo de
fuentes emisoras: puntuales, areales, volumtricas, etc. y que se ha aplicado por
ms de una dcada en estudios de impacto ambiental en todo el mundo, es decir, se
trata de una herramienta ampliamente utilizada y confiable, libre de errores y sesgos,
y completamente documentada en el sitio de Internet de U.S. EPA
(http://www.epa.gov/scram001). El equipo consultor posee amplia experiencia en la
aplicacin de este modelo, con muy variadas condiciones meteorolgicas y de
emisiones (zonas urbanas, rurales e industriales). Sin embargo, una limitacin del
modelo es que no considera las reacciones qumicas, aspecto que ser discutido a
lo largo de este Captulo.
2-2
Puesto que el modelo ISC3 fue inicialmente concebido para estimar impactos de
grandes complejos industriales, cabe preguntarse por qu es vlido aplicarlo a zonas
urbanas como Lima-Callao. Al respecto se entrega la siguiente justificacin:
a) Normalmente cuando se hace modelacin de calidad del aire en zonas
urbanas se modelan las emisiones del transporte como fuentes de rea. Esto
se debe a que el inters de los reguladores es estimar el impacto que
producen las emisiones sobre toda un rea representativa de exposicin
potencial promedio de la poblacin. Es decir, no interesa representar con alta
resolucin espacial lo que pasa en la calle misma, sino estimar el impacto
promedio sobre toda un rea donde se va a estar moviendo la poblacin. Este
es, al fin y al cabo, el dato que se va a ligar a antecedentes de epidemiologa
ambiental para estimar el riesgo en salud pblica.
b) Las versiones antiguas de ISC3 hacan muy difcil poder simular zonas
urbanas, excepto si se incluyesen todos los arcos del transporte como fuentes
de emisin lineales. En tal caso la cantidad de informacin requerida por los
modelos es muy compleja, ya que equivale a establecer la geometra de cada
uno de los arcos en la ciudad (ancho de la calle, alturas representativas de
edificios vecinos, etc.). Dado que esto correspondera a tener un
levantamiento en tres dimensiones de la superficie de la ciudad con un
altsimo grado de detalle espacial, se opt por la alternativa a), la cual es la
que normalmente se usa en evaluacin de impactos por el transporte en
zonas urbanas.
c) Finalmente, cualquier otro modelo de dispersin que se desee implementar va
a requerir una preparacin de gran cantidad de archivos de meteorologa para
la zona de Lima Callao, puesto que los modelos ms avanzados de
dispersin de contaminantes utilizan informacin muy compleja de campos
tridimensionales de variables meteorolgicas (temperatura, vientos, etc.).
Dados los alcances y recursos involucrados en este Estudio, se tom la
decisin de utilizar ISC3 debido a que acepta informacin meteorolgica
relativamente simple, como se presentar a continuacin en esta Seccin.
d) No obstante lo expresado en el punto anterior, se procur utilizar informacin
caracterstica de Lima Callao, para lo cual se recurri a fuentes oficiales de
informacin meteorolgica para Lima (SENAMHI), como se presenta ms
adelante en esta Seccin.
A continuacin se detalla la preparacin de la informacin requerida por el modelo.
2.1.1 Dominio y geomorfologa
Con el objetivo de poder abarcar toda el rea de emisiones producidas por la red vial
y los impactos en sus alrededores, se escogi un dominio que incluyera toda la red
vial principal de Lima y los distritos de la ciudad. De esta manera se hace la
bsqueda del rea de influencia en toda la zona metropolitana de Lima Callao y no
solamente los distritos por donde pasa el COSAC I.
El dominio escogido tiene origen sur-oeste en la coordenada 260 km UTM Este y
8,620 km UTM Sur, con una extensin de 70 kilmetros en direccin Oeste-Este y
de 100 kilmetros en direccin Sur-Norte, siendo el punto opuesto de este
2-3
rectngulo el punto con coordenadas 330 km UTM Este y 8,720 km UTM Sur. El
dominio rectangular se dividi en celdas de 2x2 km que constituyen una grilla
superficial, sobre la cual se va a generar informacin de entrada al modelo
(emisiones, por ejemplo); tambin se va a usar para representar los resultados de la
modelacin de la dispersin de los distintos contaminantes considerados.
Las elevaciones de terreno fueron obtenidas de archivos tipo GTOPO30
provenientes del Servicio Geolgico de EEUU (U.S. Geological Survey,
http://edcdaac.usgs.gov/gtopo30/dem_img.asp). GTOPO30 es un formato de
almacenamiento digital de elevaciones (DEM) con espaciamiento horizontal de
grillas con resolucin de 30 segundos de arco, es decir, aproximadamente un
kilmetro.
Figura 2-2. Procesamiento informacin geogrfica.
Toda la informacin geogrfica fue procesada en el ambiente computacional dado

por el software ISC3-View. Este software (desarrollado por Lakes Environmental,
EEUU; http://www.weblakes.com/) posee un men basado en una interfaz grfica
que permite conectar de manera sencilla el procesamiento de la informacin
meteorolgica, los datos de geomorfologa, las opciones de ISC3, archivos de
emisiones, simulaciones de dispersin, etc. en un solo ambiente computacional
amigable. En este sentido ISC3-View permite realizar en forma simple tareas
complejas de modelacin, proporcionando adems un men interactivo de deteccin
de problemas, procedimientos de validacin de la informacin meteorolgica, y
chequeo de la informacin de entrada al modelo ISC3, adems de variadas opciones
de visualizacin de datos, tales como las que se presentan en las siguientes figuras.
A continuacin se muestran algunas imgenes en dos y tres dimensiones del rea
de modelacin, mostrndose la ubicacin geogrfica de distritos de Lima, la red vial
y las elevaciones de terreno.
2-4
Figura 2-3. Dominio de modelacin con despliegue de distritos y red vial
Figura 2-4. Dominio de modelacin con despliegue de alturas de terreno.
2-5
Figura 2-5. Dominio de modelacin con despliegue de lmites geogrficos de los distritos de Lima.
Figura 2-6. Dominio de modelacin con despliegue de alturas de terreno y red vial.
Estas figuras nos permiten verificar que la informacin que le estamos entregando al
modelo de dispersin es la que corresponde a la topografa de la zona metropolitana
de Lima Callao; en particular, el dominio de modelacin incluye todos los distritos del
rea metropolitana, lo que garantiza poder estimar potenciales impactos en toda la
poblacin potencialmente afectada.
2-6
2.1.2 Anlisis y procesamiento de la informacin meteorolgica.

2.1.2.1 Fuentes de Informacin meteorolgica
Se obtuvo informacin meteorolgica de dos fuentes principales:
-
SENAMHI (ao 2004):

o Informacin superficial de temperatura horaria de la estacin C. DE
MARTE ubicada en la sede central del SENAMHI (Cahuide 785, Jess
Mara, Lima 11) con coordenadas 12 05'
latitud sur y 77 02
longitud oeste.
o Informacin superficial de velocidad y direccin del viento horaria de la
estacin La Molina con coordenadas 12 05' la titud sur y 76 57'
longitud oeste.
o Informacin en altura de temperatura, velocidad y direccin del viento
de resolucin diaria para la zona de Lima en varios niveles entre los
100 y 2000 metros de altura sobre el nivel del mar. La data slo cubra
desde el 26 de Marzo al 23 de Junio y desde el 2 de Octubre al 31 de
Diciembre del 2004.
U.S. NCDC (Nacional Climatic Data Center, EEUU):

o Informacin superficial de temperatura; velocidad y direccin del viento;
cobertura y altura de nubes; presin atmosfrica y precipitaciones en
resolucin horaria. Estacin ubicada en el aeropuerto Jorge Chvez de
Lima. Informacin obtenida para aos 2003 y 2004 completos.
La seleccin de la data a ser utilizada consider que se necesitaba disponer de

meteorologa de aos recientes, debido a que se desea modelar la lnea base
ambiental del transporte y, adems, disponer de monitoreo ambiental en la zona
metropolitana Lima Callao para poder comparar simulaciones con observaciones, de
acuerdo a la primera tarea a ser ejecutada en este producto del Estudio.
Dado que los antecedentes del monitoreo de calidad del aire realizado por DIGESA
(ver Captulo 5 para mayor discusin al respecto) indican cambios relevantes de las
concentraciones de contaminantes medidas en los ltimos aos, se consider
principalmente la modelacin de la calidad del aire considerando la meteorologa del
ao 2004 y comparando con las mediciones de la DIGESA del mismo ao y las
realizadas en este Estudio. No obstante, se aadi comparaciones con los registros
histricos de DIGESA cuando stos estaban disponibles.
2.1.2.2 Procesamiento de la Informacin meteorolgica en altura
En primer lugar, los datos en altura son procesados para establecer la altura de
mezclado en la maana y en la tarde, es decir, los valores extremos que alcanza
este parmetro en cada da que ser modelado; esta informacin es crtica ya que la
altura de mezclado define el volumen vertical hasta el cual se mezclan los
2-7
contaminantes en la direccin vertical. Es por esto que se utiliz la informacin de

los radiosondeos realizados en Lima para el ao 2004, con el objeto de disponer de
informacin meteorolgica en altura medida en la misma zona de modelacin. Esta
es la opcin preferida por la U.S. EPA para la aplicacin de modelos de dispersin
en una zona urbana.
Utilizando los datos de los perfiles verticales de temperatura de los radiosondeos y
los datos superficiales de temperatura medidos en el aeropuerto Jorge Chvez, se
procedi a calcular los valores diarios de alturas de mezclado mnima y mxima
sobre Lima Callao; para esto se emple la metodologa de Holzworth, que consiste
en trazar adiabticas secas a partir de las temperaturas mnima y mxima en
superficie, respectivamente, hasta que se cortan con el perfil vertical de temperatura
entregado en el radiosondeo, definiendo as los valores mnimo y mximo de la
altura de mezclado, respectivamente. De esta forma, al presentarse inversiones
trmicas a baja altura sobre el suelo (caso tpico de Lima Callao), estas inversiones
controlan la ubicacin del mnimo y mximo de la altura de mezclado,
respectivamente. As, si el borde inferior de la inversin trmica asciende durante el
ao, las alturas de mezclado tambin ascienden, y viceversa.
Sin embargo, el ao 2004 no estaba completo, por lo que hubo que recurrir al uso de
correlaciones empricas propuestas en la literatura para estimar aquellos valores
faltantes. Las alturas de mezclado obtenidas de estas dos maneras fueron
analizadas y comparadas en promedios mensuales, junto con los valores mensuales
reportados en los boletines meteorolgicos de SENAMHI, verificndose que los
valores estimados de correlaciones empricas y los obtenidos a partir de
radiosondeos verticales son similares en magnitud a lo largo del ao con los valores
reportados por SENAMHI.
De esta forma, se gener la informacin completa de alturas de mezclado para todo
el ao 2004, combinado las alturas de mezclado obtenidas de perfiles verticales con
las obtenidas a partir de correlaciones empricas.
2.1.2.3 Procesamiento de la Informacin meteorolgica superficial
A partir de la informacin meteorolgica superficial, se procedi a aplicar el
procedimiento estndar de la EPA de EEUU, definido por ejemplo en el modelo
meteorolgico AERMET. El objetivo de este procesamiento consiste en generar
parmetros micro-meteorolgicos tales como niveles de turbulencia y clases de
estabilidad empleados por el modelo ISC3 para calcular los parmetros de
dispersin del penacho de cada fuente emisora que se modela, de acuerdo a la
formulacin Gaussiana estndar. Estas propiedades turbulentas de la atmsfera se
calculan para cada hora de modelacin debido a que son variables dinmicas que
cambian hora a hora, al igual que la velocidad del viento, definiendo as la dispersin
local de las emisiones mediante la aproximacin Gaussiana. Ms adelante se
definen en forma ms precisa en que consisten dichas clases de estabilidad.
Es as como la informacin superficial horaria de temperatura; velocidad y direccin
del viento; cobertura y altura de nubes; presin y precipitaciones fue ingresada al
programa PCRAMMET de procesamiento meteorolgico a travs de la interfase
2-8
RAMMET-View (disponible dentro del software ISC3-View), junto con los mximos y
mnimos diarios de altura de mezclado que pide el programa PCRAMMET (y que
fueron previamente calculados con la informacin meteorolgica de altura, ver
seccin 2.1.2.2).
El programa PCRAMMET, desarrollado tambin por la EPA de EEUU, utiliza la
informacin de meteorologa superficial ms las caractersticas superficiales locales
del terreno (albedo, razn de Bowen, latitud, longitud, estacionalidad) para estimar el
balance de energa superficial y as estimar los flujos turbulentos de momentum y
calor (u* y H, respectivamente) que definen el estado local de la turbulencia,
mediante la aplicacin de ecuaciones de diagnstico. Posteriormente estos
resultados se utilizan para estimar la clase de estabilidad (A, B, C, D, E y F)
predominante en cada hora de simulacin. La clasificacin de estabilidad va desde
condiciones muy inestables (A) con alta insolacin pasando por condiciones
neutras (D) caractersticas de transiciones al amanecer y atardecer o en
presencia de nubosidad y condiciones estables (E,F) nocturnas con cielo
despejado y vientos dbiles o al amanecer. La siguiente Tabla entrega los criterios
para realizar la clasificacin de las condiciones de estabilidad atmosfrica que se
emplean en la modelacin de dispersin mediante la aproximacin Gaussiana en
modelos como ISC3.
Tabla 2-1. Clases de Estabilidad Atmosfrica.
Velocidad superficial del viento (m/s)

Insolacin y Cobertura de Nubes
<2 2a<3
3a<5 5a<6
>6
(*)
Fuerte insolacin diurna
A
A-B
B
C
C
Moderada insolacin diurna
A-B
B
B-C
C-D
D
Leve insolacin diurna (#)
B
C
C
D
D
Da o noche nublada
D
D
D
D
D
E
D
D
D
Noche y cobertura de nubes 0.5
Noche y cobertura de nubes < 0.5
F
E
D
D
(*) Correspondiente a ngulos de elevacin solar de 60 o ms.
(#) Correspondiente a elevaciones solares de 15 a 35.
A continuacin se describen brevemente las caractersticas de cada categora de

estabilidad.
o Clase A: atmsfera muy inestable, con velocidades del viento menores a 3
m/s e insolacin moderada a fuerte, cielos despejados.
o Clase B: atmsfera inestable, con insolacin moderada a intensa, vientos
entre 2 y 4 m/s, cielos despejados o levemente nublados.
o Clase C: atmsfera ligeramente inestable, insolacin leve, velocidades de 2 a
5 m/s, cielos parcialmente nublados;
o Clase D: atmsfera neutral, corresponde tpicamente a condiciones de
nubosidad predominante, a veces en combinacin con vientos superficiales
intensos, mayores a 5 m/s.
o Clase E: atmsfera estable, condiciones nocturnas con vientos dbiles,
menores a 3 m/s.
o Clase F: atmsfera muy estable, vientos muy dbiles, menores a 2 m/s.
2-9
Las condiciones no clasificadas corresponden a condiciones nocturnas con vientos

muy dbiles y ausencia de nubes, en las cuales se produce mucha oscilacin de la
direccin del viento, lo cual aade incertidumbre a las predicciones de impactos
ambientales. En todos los casos se supone que se est trabajando con promedios
horarios de las variables meteorolgicas, tal como se emplean en el modelo ISC3.
PCRAMMET tambin interpola y suaviza las alturas de mezcla calculadas
anteriormente, obteniendo valores horarios de la altura de mezclado a travs de un
procedimiento de interpolacin numrica desarrollado originalmente por Holzworth e
implementado en todos los programas de dispersin Gaussianos recomendados por
la EPA de EEUU.
2.1.2.4 Caractersticas del viento.
A continuacin se muestra un resumen grafico de las condiciones meteorolgicas
simuladas por PCRAMMET para el ao 2004, con los datos del Aeropuerto Jorge
Chvez. Estos grficos provienen de la interfase grfica Rammet-View, la que
permite visualizar de manera sencilla la informacin meteorolgica de entrada al
modelo de dispersin.
La figura 2-7 muestra la rosa de los vientos (valores horarios) para el ao 2004,
donde se aprecia que la direccin predominante del viento es sur, con un 42% de las
frecuencias observadas. En esta direccin las velocidades predominantes estn
entre 2 3 y 3 4 m/s; las mximas velocidades registradas estn entre 6 8 m/s y
las otras direcciones predominantes son SSE y SSW. Adems, no se registraron
calmas (situaciones con vientos muy bajos o condiciones de estancamiento), lo que
se explica por la ubicacin costera del aeropuerto ya que, como se presenta en el
captulo 5 de este Informe Final, al ingresar las masas de aire a la ciudad y
acercarse a las estribaciones cordilleranas, se producen condiciones de
estancamiento del viento, generndose all condiciones de calmas ms frecuentes.
Respecto a la ausencia de calmas del viento en la figura 2-7, cabe sealar que las
calmas se presentan cuando la velocidad del viento es muy baja. Esto puede
deberse a que el viento es efectivamente muy dbil, o bien a que el instrumento de
medicin (anemmetro) no es capaz de medir velocidades muy bajas del viento (en
el caso de la figura 2-7, el instrumento es capaz de medir velocidades por sobre 0.5
m/s). Tambin puede ocurrir que cerca de la estacin meteorolgica haya obstculos
relevantes (como edificios) que frenan el viento y se producen estancamientos
locales que no reflejan la circulacin del viento a mayor escala espacial (se trata de
mediciones espreas dentro de la data completa).
Los datos representados en las figuras 2-7 y 2-8 corresponden a la estacin
meteorolgica del aeropuerto Jorge Chvez, es decir, con buenas condiciones de
ventilacin todo el da debido a la cercana de la costa. Al respecto, en el captulo 5
se hace mencin a un cuadro resumen de porcentajes de calmas del viento hecho
en el Estudio de Saturacin. Dado que esos datos fueron tomados de otras
ubicaciones en la zona metropolitana de Lima Callao, los valores de calmas no son
directamente comparables con los presentados en este Captulo del Informe Final.
Es posible que estaciones de meteorologa ubicadas hacia el interior de las cuencas
2-10
meteorolgicas presenten mayores condiciones de calmas, sobre todo en entornos

urbanos con obstculos relevantes.
Figura 2-7. Rosa de los vientos ao 2004, muestra el origen de los vientos.
Con respecto a la comparacin de los resultados de las figuras 2-7 y 2-8 con los
antecedentes del monitoreo meteorolgico realizado en el presente Estudio, se
corrobora que en las cuatro estaciones de monitoreo meteorolgico no se detectaron
calmas del viento. En efecto, las velocidades mnimas registradas en las estaciones
Pantanos, Miraflores, Centro Histrico y Norte fueron de 1.1, 0.5, 1.0 y 0.7 m/s,
respectivamente. Por otra parte, si se definen las calmas como las velocidades
menores a 1 m/s, entonces en las estaciones Pantanos, Miraflores, Centro Histrico
y Norte los porcentajes de calmas corresponden a 0, 15.6, 0 y 10.1 %,
respectivamente; en el caso del Aeropuerto Jorge Chvez (figuras 2-7 y 2-8) el
porcentaje estara por debajo del 2%.
2-11
Figura 2-8. Caracterizacin clases de estabilidad con direccin del viento ao 2004, muestra el origen
de los vientos.
En resumen, los altos porcentajes de calmas del viento citados en el Estudio de

Saturacin claramente no son representativos del entorno urbano del COSAC I,
aunque s es posible que correspondan a situaciones de estancamiento del aire en
zonas en altura en las microcuencas meteorolgicas de la zona metropolitana. Como
no tenemos claridad sobre la ubicacin y lmite de deteccin de los anemmetros
utilizados en dicho Estudio, no podemos sacar ms conclusiones al respecto.
Para finalizar esta seccin, las rosas de los vientos medidas en la campaa de
monitoreo realizadas en este Estudio son muy similares a las mostradas en las
figuras 2-7 y 2-8, excepto en el caso de Miraflores, donde hay diferencias
importantes en las direcciones predominantes del viento, lo que se debe a aspectos
locales de las edificaciones y topografa dominante.
2-12
2.1.2.5 Caractersticas de la estabilidad atmosfrica.

La grfica 2-8 de las estabilidades atmosfricas indica que la condicin ms
predominante es la estabilidad neutra (D), seguida por las condiciones de estabilidad
(E) y leve inestabilidad (C). En una menor proporcin se registran las condiciones
F(muy estable), B (inestable) y A (muy inestable), en orden decreciente. La alta
frecuencia de estabilidades neutras se explica por la persistencia de condiciones de
nubosidad estratiforme en la zona metropolitana, las que slo se debilitan en los
meses de verano, cuando se interrumpe la nubosidad dando paso a cielos
despejados (ver seccin 2.2, Segundo Informe de Avance).
Figura 2-9. Clases de vientos y estabilidades a lo largo del ao 2004
La figura 2-9 nos entrega los histogramas de las velocidades del viento y de las
clases de estabilidad, respectivamente, observada en todos los datos del ao 2004
para todas las direcciones del viento. En el caso de la velocidad del viento, la
mayor frecuencia se da en el intervalo 3 4 m/s, con el 32.1% de las observaciones,
2-13
seguida por los intervalos 2 3 m/s y 4 5 m/s, con porcentajes del 26.4 y 20.5 %,
respectivamente. En el caso de las estabilidades, domina claramente la clase D, con
un 47.6% de las horas, seguida por las clases C y E, ambas con un 17%.
Figura 2-10. Clases de vientos y estabilidades verano del ao 2004
En el caso de las condiciones de verano, la figura 2-10 muestra que la distribucin

de velocidades cambia con respecto al valor anual, incrementndose las frecuencias
de velocidades en los intervalos 3 4 m/s y 2 3 m/s hasta los valores 34.2 y 29.9
%, respectivamente, mientras que disminuye la participacin del intervalo de
velocidades de 4 5 m/s, descendiendo a un 18.9%. En el caso de las estabilidades
atmosfricas, la condicin de neutralidad (clase D) aumenta su participacin a un
54.4%, reducindose las participaciones de las clases C y E principalmente, con
respecto al valor anual.
Por el contrario, la situacin es diferente en el caso del invierno, donde se
incrementan las frecuencias de velocidades del viento en los tramos 4 5, 5 6 y 6
8 m/s, es decir, la velocidad del viento aumenta en magnitud en los meses de
invierno con respecto a la situacin de verano, para esos intervalos de mayores
2-14
velocidades. Por otra parte, en las clases de estabilidad atmosfrica se aprecia un

incremento de las situaciones de mayor estabilidad E y F, que alcanzan frecuencias
de 22.5 y 7.1 % respectivamente, reducindose las condiciones clase D a un 38.1 %;
es decir, en invierno las condiciones de estabilidad atmosfrica son ms estables
que en verano, con menores capacidades de dispersar las emisiones de
contaminantes.
Figura 2-11. Clases de vientos y estabilidades invierno del ao 2004
2.1.3 Incorporacin de las emisiones del transporte

Las emisiones del transporte determinadas mediante la metodologa MODEM a
partir de las corridas del Modelo de Transporte Urbano para Lima Callao (ver
Captulo 8 de este Informe Final) fueron caracterizadas como fuentes de rea, es
decir, emisiones que se emiten a la atmsfera a nivel del suelo. Luego, en cada una
de las grillas de 2x2 km del dominio de modelacin donde efectivamente existen
emisiones de fuentes mviles se procedi a calcular las emisiones de los
contaminantes a ser modelados, lo que implica sumar en cada celda del dominio de
modelacin las contribuciones de cada arco de red vial que pasa por dicha celda.
Como ya se mencion al comienzo de esta seccin 2.1, esta es la forma usual en
2-15
que se representan las emisiones del transporte en evaluaciones de impactos en

calidad del aire en zonas urbanas en todo el mundo.
Como contaminantes a ser modelados se consideraron aquellos que se miden en la
red de monitoreo administrada por DIGESA, es decir: partculas respirables finas
(PM2.5), partculas totales en suspensin (PTS), anhdrido sulfuroso (SO2) y dixido
de nitrgeno (NO2). A estos contaminantes se aadi el PM10 y el monxido de
carbono (CO), los cuales, si bien no han sido medidos en la red DIGESA, s estn
considerados en la campaa de monitoreo ambiental realizada en este Estudio. El
PM10 es relevante de cuantificar debido a sus efectos en salud pblica y, dado que
el CO es un buen trazador de las emisiones del transporte, se consider necesario
simular tambin la dispersin de este gas contaminante.
La versin actualizada del modelo ISC3 considera emisiones dinmicas que varan
por hora del da, por da de la semana y por mes del ao, lo cual permite incorporar
de manera ms realista estos datos dinmicos al modelo. Es importante destacar
que el inventario de emisiones sealado corresponde a un inventario de emisiones
con mucho ms detalle que un inventario agregado en Ton/ao, ya que para poder
aplicar modelos de dispersin se requiere disponer de emisiones distribuidas
espacialmente (emisiones para cada arco vial a ser incluido en el anlisis), y
distribuidas temporalmente (es decir emisiones para cada hora del da).
Las emisiones fueron importadas desde MODEM hacia el modelo ISC3, a travs de
un procesamiento inicial generado por MODEM para crear emisiones con formato
ISC3 y posteriormente importadas a travs del software ISC3-View como indica la
figura 2-12. El procesamiento de la informacin del inventario de emisiones anuales
que genera MODEM se complementa con perfiles temporales para cada da de la
semana y para los distintos meses del ao, con lo cual se genera, para cada grilla
del dominio de modelacin, la suma total de emisiones anuales y una lista de
factores de correccin para calcular las emisiones en cualquier hora del da, da de
la semana y mes del ao. De esta forma es posible definir solamente un subconjunto
de las grillas del dominio que constituyen emisiones de rea, es decir, slo en
aquellas grillas donde existen emisiones del transporte se generan las fuentes de
rea respectivas, cada una con dimensiones iguales a las de la grilla (2 x 2 km).
En la figura 2-13 se muestra una perspectiva de la localizacin de la red vial con las
fuentes de emisiones de rea creadas para caracterizar las emisiones de esta red,
para verificar que la distribucin geogrfica de las fuentes de rea es razonable. Se
puede apreciar en la figura 2-13 que las celdas con emisiones de transporte se
superponen a la red vial de Lima Callao, estando las restantes celdas del dominio de
modelacin con emisin cero.
2-16
Figura 2-12. Importacin de emisiones a ISC3 con ISCview
Figura 2-13 Ubicacin celdas de emisin en el dominio de modelacin
2-17
2.2
Resultados de la modelacin de la dispersin de emisiones del

transporte.
En esta seccin se presentan los siguientes resultados principales:

a) Verificacin de la lnea base de impactos del transporte por comparacin del
monitoreo ambiental con la simulacin de la dispersin de las emisiones
actuales del transporte (sin COSAC I).
b) Comparacin de las simulaciones de dispersin de emisiones del transporte en
los escenarios con y sin COSAC I para estimar en forma detallada el rea de
influencia del COSAC I, mediante el anlisis de las diferencias de impactos
entre ambos escenarios simulados.
2.2.1 Lnea base del transporte: comparacin de promedios mensuales.
En esta seccin se hace una comparacin de los promedios mensuales obtenidos
con el modelo ISC3 con respecto a informacin de la DIGESA y de la campaa de
monitoreo de este Estudio (monitoreo continuo y pasivo). Se realiz una simulacin
de la dispersin de las emisiones del transporte calculadas para la situacin base
(sin COSAC), considerando la meteorologa de todo un ao (2004 en este caso).
Para fines de comparacin se calcul el promedio mensual de las concentraciones
de los distintos contaminantes modelados, a partir del registro de valores horarios
simulados por el modelo ISC3. Se adopt este enfoque puesto que, en el protocolo
de aplicacin de modelos Gaussianos aceptado por la EPA de EEUU, se
recomienda simular muchas horas, de manera que al tomar el promedio se cancelan
errores aleatorios y el promedio de largo plazo (ejemplo: mensual o anual) posee
menor incertidumbre y constituye un resultado cuantitativo ms simple de interpretar
y comparar con datos de monitoreo ambiental de periodos equivalentes.
Por otra parte, se estim un valor del promedio mensual del monitoreo realizado por
DIGESA para los distintos contaminantes medidos; cabe hacer notar que en este
caso se constat que slo se dispona de no ms de 4-5 das con mediciones por
mes, lo cual no entrega una muestra muy representativa. En efecto, los criterios de
monitoreo de la EPA de EEUU exigen que al menos un 75% de la data del periodo
sean vlidos para fines de calcular dicho promedio. Por estos antecedentes recin
presentados, las comparaciones con antecedentes de DIGESA que se van a discutir
a continuacin no son de carcter cuantitativo riguroso, sino que hay que tomarlas
como una primera aproximacin a la verificacin de que el modelo de dispersin
est entregando resultados confiables.
Por otra parte, en el caso del monitoreo ambiental de lnea base realizado en este
Estudio, se trata de monitoreos de una semana de duracin que, si bien no cubren el
mes completo, s caracterizan el ciclo semanal de emisiones de la ciudad, por lo que
los promedios semanales de estas mediciones se pueden asimilar a estimadores del
promedio mensual correspondiente. Por lo tanto, se espera que estas mediciones
sean ms confiables que los valores reportados por DIGESA para fines de evaluar el
desempeo del modelo de dispersin.
2-18
2.2.1.1 Material particulado fino PM2.5

Las siguientes figuras muestran que los promedios mensuales de PM2.5 simulados
por el modelo ISC3 son sistemticamente inferiores a los valores medidos tanto
histricamente por DIGESA, como los medidos en la campaa de monitoreo del
presente Estudio. Este comportamiento se da para todas las estaciones de
monitoreo disponibles. Cabe hacer notar que las ubicaciones de la estaciones
monitoras de Lima Centro, Lima Norte y Lima Sur (Pantanos y Miraflores) de la
campaa realizada en este Estudio no corresponden a las ubicaciones de las
estaciones monitoras manejadas por la DIGESA para esas zonas, aunque son
relativamente cercanas; por esta razn se incluy la informacin de la campaa de
monitoreo continuo del presente Estudio (ao 2005) para tener otra referencia en
este anlisis.
Era previsible que se obtuvieran simulaciones de material particulado fino (PM2.5)
menores a las observadas, toda vez que no se estn simulando las siguientes
fuentes y procesos:
a) Generacin de PM2.5 secundario (a partir de reacciones entre gases
provenientes de todas las fuentes de la ciudad: mviles y fijas).
b) Aportes del aerosol marino (principalmente partculas finas).
c) Aportes de la erosin elica en la cuenca rida de Lima Callao (emisiones
fugitivas, principalmente partculas gruesas).
d) Aportes de las emisiones de la industria (chimeneas, procesos industriales).
e) Aportes de las emisiones de fuentes residenciales y comerciales (fuentes de
rea).
f) Otras fuentes miscelneas (incendios, quema de residuos).
A pesar de las discrepancias entre simulaciones y mediciones de la DIGESA del
PM2.5, gran parte de las diferencias se pueden asociar a las fuentes y procesos ya
descritas y que no se han simulado en este Estudio.
Como antecedente importante, la ex oficina PRAAM de la Municipalidad de Lima,
llev a cabo un anlisis de elementos qumicos en los filtros de PM10, los que fueron
analizados por el laboratorio finlands Geological Survey of Finland con la asesora
del Swedish Meteorological and Hydrological Institute (SMHI) de Suecia. Los valores
reportados de azufre elemental para el Centro Histrico de Lima llegaron en
promedio a 6 g/m3, los que equivalen a 12 g/m3 de sulfato y, asumiendo que se
trata de sulfato de amonio, la concentracin sera de 16.5 g/m3. Es decir, el aporte
de generacin secundaria de material particulado fino en Lima Callao no es
despreciable y puede constituir un aporte muy relevante, especialmente en el caso
de la fraccin fina (PM2.5), ya que los sulfatos estn exclusivamente en este intervalo
de tamao de partcula (y no en la fraccin gruesa del PM10).
2-19
ug/m3
PM 2,5 Lima Centro

140
120
100
80
60
40
20
0
Sim2004
Obs2003
Obs2004
Este
Estudio
10
11
12
Mes
Figura 2-14. Comparacin de promedios mensuales de PM2.5 en la estacin Lima Centro Histrico.
PM 2,5 Lima Callao

60
ug/m3
50
Sim2004
40
30
Obs2003
20
Obs2004
10
0
1
10
11
12
Mes
Figura 2-15. Comparacin de promedios mensuales de PM2.5 en la estacin Callao.
PM 2,5 Lima Norte

100
ug/m3
80
Sim2004
60
Obs2003
40
Obs2004
20
Este Estudio
0
1
10
11
12
Mes
Figura 2-16. Comparacin de promedios mensuales de PM2.5 en la estacin Lima Norte.
Las mediciones hechas en este Estudio tienden avalar las simulaciones, ya que las
observaciones se encuentran por sobre las simulaciones, aunque no tan en exceso
2-20
como las mediciones de DIGESA, y las discrepancias que presentan con respecto a
las simulaciones se pueden atribuir a las fuentes y procesos no simulados y que se
han listado ms arriba, particularmente a la generacin de sulfato secundario a partir
de las emisiones de SO2 en la ciudad. Por lo tanto, se puede concluir que el modelo
es aceptable para fines de representar la dispersin de las emisiones de PM2.5 de las
fuentes mviles, en la escala de promedios mensuales analizada aqu.
PM 2,5 Lima Este

100
ug/m3
80
Sim2004
60
Obs2003
40
20
Obs2004
0
1
10
11
12
Mes
Figura 2-17. Comparacin de promedios mensuales de PM2.5 en la estacin Lima Este.
ug/m3
PM 2,5 Lima Sur

70
60
50
40
30
20
10
0
Sim2004
Obs2003
Obs2004
Este Estudio
10
11
12
Mes
Figura 2-18. Comparacin de promedios mensuales de PM2.5 en la estacin Lima Sur. Para el caso
del monitoreo continuo realizado en este Estudio, Febrero y Marzo corresponden a mediciones en
Pantanos de Villa y Miraflores, respectivamente.
La situacin observada en Lima Centro, Lima Norte y Lima Sur tienden a corroborar
lo anteriormente expuesto, en el sentido que hay una componente relevante de
material particulado secundario, correspondiente a sulfato de amonio, el cual se
genera en el ambiente a partir de la oxidacin del SO2 emitido por el transporte, la
industria y fuentes residenciales en la ciudad. Cabe hacer notar que en la zona
metropolitana de Lima Callao se concentra aproximadamente el 65% de la actividad
2-21
industrial del pas, por lo que las emisiones de SO2 de la industria son tambin
relevantes al momento de analizar estas comparaciones grficas. El tema de
generacin de aerosoles secundarios (sulfatos) se va a volver a discutir cuando se
analicen los perfiles diarios de las simulaciones de calidad del aire y se comparen
con los valores obtenidos del monitoreo continuo efectuado en este Estudio.
2.2.1.2 Partculas totales en suspensin, PTS
En este caso se constata que hay buena concordancia entre las predicciones del
modelo y las observaciones hechas en el Centro Histrico, particularmente para los
aos 2003 y 2004, pero para el resto de las estaciones DIGESA se vuelve a apreciar
una subestimacin importante del modelo ISC3, situacin similar a la ya observada
en el caso del PM2.5. Sin embargo, en este caso las grandes diferencias entre las
concentraciones observadas y las simuladas no se pueden explicar por el aporte de
sulfatos secundarios al PTS, las que slo explican una pequea proporcin de
dichas diferencias.
PTS Lima Centro

350
Sim2004
Obs2003
Obs2004
Obs2001
Obs2000
Obs1999
Obs1998
Obs1997
300
ug/m3
250
200
150
100
50
0
1
10
11
12
Mes
Figura 2-19. Comparacin de promedios mensuales de PTS en la estacin Lima Centro Histrico.
PTS Callao
140
120
Sim2004
ug/m3
100
Obs2003
80
60
Obs2004
40
20
0
1
10
11
12
Mes
Figura 2-20. Comparacin de promedios mensuales de PTS en la estacin Callao.
2-22
PTS Norte
250
Sim
ug/m3
200
150
Obs2003
100
Obs2004
50
0
1
10
11
12
Mes
Figura 2-21. Comparacin de promedios mensuales de PTS en la estacin Lima Norte.
PTS Este
400
350
Sim
ug/m3
300
250
Obs2003
200
150
Obs2004
100
50
0
1
10
11
12
Mes
Figura 2-22. Comparacin de promedios mensuales de PTS en la estacin Lima Este.
PTS Sur
250
Sim
ug/m3
200
Obs2003
150
100
Obs2004
50
0
1
10
11
12
Mes
Figura 2-23. Comparacin de promedios mensuales de PTS en la estacin Sur.
2-23
Una posible explicacin para las diferencias constatadas es que existen emisiones
importantes de polvo fugitivo que mantienen partculas slidas en suspensin. Es as
como los monitoreos de contaminantes slidos sedimentables (CSS) realizados por
SENAMHI en forma rutinaria indican que las zonas Norte, Este y Sur presentan
mayores valores de CSS que el resto de la ciudad. De aqu se puede concluir que
hay emisores importantes de PTS en dichos sectores, y esto explicara en parte la
discrepancia entre modelo y monitoreo de PTS, ya que el modelo solo est
considerando las emisiones del transporte, las que se tienden a concentrar en el
Centro Histrico de Lima y su entorno.
Aqu tambin podemos concluir que el modelo est estimando en forma
conservadora los impactos por PTS asociados al sector transporte, por lo que se
puede utilizar para describir los impactos de dichas emisiones sobre las
concentraciones de PTS en Lima Callao, tambin considerando promedios
mensuales.
2.2.1.3 Anhdrido sulfrico SO2
En el caso particular de este contaminante gaseoso, hay que considerar el aporte
del sector industrial a las emisiones de SO2 en la zona urbana de Lima Callao. Dado
que en el Plan Integral de Saneamiento Atmosfrico (PISA, 2004), desarrollado por
el CGIALLC no aparece en forma explcita el inventario de emisiones de SO2 para el
sector industrial y que no corresponde al alcance de este Estudio levantar ese tipo
de antecedentes, nos vamos a remitir a la estimacin de las emisiones de SO2 a
nivel nacional para el ao 2002, que de acuerdo a clculos del MINEM ascienden a
41,500 toneladas (citado en el PISA, 2004). Si consideramos que prcticamente el
70% de la actividad industrial se realiza en la zona metropolitana de Lima Callao,
entonces se esperara que las emisiones del sector industrial fuesen del orden de
30,000 toneladas anuales, es decir, muy superiores a las del sector transporte, que
se han estimado en este Estudio en el valor de 7,000 toneladas/ao, ver Captulo 8
de este Informe Final.
Adicionalmente, en el Estudio Caracterizacin del Sector Industrial de Lima
Metropolitana, realizado por GENIVAR/IMP/MML/ACDI (2002), se ha hecho un
catastro con la distribucin espacial de 18,914 industrias localizadas en la zona
metropolitana, con lo cual se ha obtenido la siguiente figura, donde se puede
apreciar que los distritos ms industrializados corresponden a Lima, La Victoria, Ate
y Callao, con el 19, 11.5, 11.2 y 5.2 % de las industrias, respectivamente.
De acuerdo con el mapa de la distribucin espacial de estas industrias, entonces
resulta claro que es esperable que en las zonas de monitoreo de Callao, Centro
Histrico, Lima Norte y Lima Este, el aporte de las industrias a los impactos por SO2
sea relevante. La excepcin la constituye el sector de Pantanos de Villa, donde el
catastro arroja un nmero pequeo de actividades industriales.
A continuacin se presenta la discusin de los resultados para los monitoreos
realizados tanto por DIGESA como en este Estudio. En el caso del monitoreo
realizado con tubos pasivos stos fueron ubicados en postes de alumbrado pblico,
con lo cual quedaron directamente expuestos a las emisiones del transporte; esto
2-24
hace que esos monitores sean directamente impactados por la pluma de las
emisiones del transporte, sin que sean diluidas las emisiones en un rea ms
representativa de la exposicin de la poblacin, por lo cual tienden a medir impactos
altos y muy localizados. Los monitores continuos, por el contrario, fueron ubicados
en zonas ms protegidas del impacto directo de las emisiones del transporte, por lo
que se espera que tiendan a medir impactos ms representativos de toda una zona
alrededor del punto de monitoreo.
Figura 2-24 Distribucin espacial de fuentes industriales en la zona metropolitana de Lima Callao.
Fuente: Estudio Caracterizacin del Sector Industrial de Lima Metropolitana, desarrollado por
GENIVAR/IMP/MML/ACDI (2002).
2-25
SOx Lima Centro
ug/m3
Sim2004
200
180
160
140
120
100
80
60
40
20
0
Obs2003
Obs2004
Obs2000
Obs1999
Obs1998
Este Estudio
(Continuo)
Este Estudio
(Pasivo)
10
11
12
Mes
Figura 2-25. Comparacin de promedios mensuales de SO2 en la estacin Centro Histrico.
En el caso de la estacin Lima Centro, se aprecia que las concentraciones de SO2

han disminuido en los ltimos aos, y que las simulaciones estn por debajo de los
valores medidos por la DIGESA. Por otra parte, los valores del monitoreo en tubos
pasivos hecho en este Estudio se acercan bastante a lo simulado (corresponde al
promedio de los valores de los puntos Jirn Huaraz, Avda. Moquegua, Calle
Chancay, Jirn Junin y Plaza Grau), y que el valor del monitoreo continuo realizado
en Plaza Grau entreg un resultado menor (4.8 g/m3) al valor all simulado. Por lo
tanto, en este caso de la zona Centro Histrico, se puede concluir que el modelo
est sobreestimando el aporte del sector transporte. La razn de esta sobre
estimacin se atribuye a que el modelo no est considerando la oxidacin del SO2
en la atmsfera para producir sulfatos secundarios, aspecto ya mencionado en el
caso de la evaluacin del desempeo del modelo para el caso del PM2.5, y lo que es
avalado por mediciones del contenido de azufre en el PM10 de Lima Callao.
En el caso de la estacin Callao se aprecia que el modelo se acerca bastante a los
valores medidos por DIGESA, incluso el modelo entrega valores por encima de lo
monitoreado por DIGESA en Septiembre y Noviembre del 2004. No se realiz
monitoreo en esa zona en este Estudio. Debido a la cantidad importante de
actividades industriales en el sector de Callao, nuevamente se concluye que el
modelo est sobreestimando all los impactos por el transporte, por las razones ya
expuestas en el prrafo anterior.
En el caso de la zona Norte de Lima, nuevamente se aprecia que las simulaciones
son iguales o incluso superan tanto los valores reportados por DIGESA como el
monitoreo realizado en este Estudio (para el caso de los tubos pasivos se tom el
promedio de los puntos Parque Jacintos, Snchez Carrin, Las Guabas, Calle A,
Calle 8, Guayana, Eleodoro Cevallos y UNI). Es decir, el modelo est
sobreestimando los impactos por SO2 del sector transporte.
2-26
ug/m3
SOx Callao
50
45
40
35
30
25
20
15
10
5
0
Sim2004
Obs2003
Obs2004
10
11
12
Mes
Figura 2-26. Comparacin de promedios mensuales de SO2 en la estacin Callao.
ug/m3
SOx Lima Norte

50
45
40
35
30
25
20
15
10
5
0
Sim
Obs2003
Obs2004
Este Estudio
(Continuo)
Este Estudio
(Pasivo)
10
11
12
Mes
Figura 2-27. Comparacin de promedios mensuales de SO2 en la estacin Lima Norte.
SOx Lima Este

80
70
Sim2004
ug/m3
60
50
Obs2003
40
30
Obs2004
20
10
0
1
10
11
12
Mes
Figura 2-28. Comparacin de promedios mensuales de SO2 en la estacin Lima Este.
2-27
En el caso del sector Lima Este, hay menos claridad de que el modelo est
sobreestimando los aportes del sector transporte, aunque slo tenemos por
comparacin las mediciones de DIGESA; hay que tener presente que en esa zona
existe una alta concentracin de actividades industriales, las que se extienden a lo
largo de la microcuenca correspondiente (ver figura 2-24), por lo que es factible que,
aunque el modelo sobreestime emisiones, esto se ve enmascarado por el mayor
aporte del sector industrial a las emisiones de SO2 en esa zona.
Por otra parte, en la zona de Lima Sur, se aprecia nuevamente que el modelo
subestima los valores reportados por DIGESA; en esta caso el monitoreo realizado
en este Estudio por mtodos pasivos (promedio de los puntos Pantanos de Villa,
Jirn Karwarasu, Plaza Raimondi y Jirn Ayacucho) es muy inferior a lo modelado; lo
mismo se puede decir del monitoreo continuo realizado en Pantanos de Villa.
Nuevamente podemos concluir que el modelo est sobreestimando los aportes del
sector transporte en esa zona y que no se puede descartar que las observaciones
reportadas por la DIGESA all tambin incluyan impactos relevantes del sector
industrial.
SOx Lima Sur
30
Sim
ug/m3
25
Obs2003
20
Obs2004
15
Este Estudio
(Continuo)
Este Estudio
(Pasivo)
10
5
0
1
10
11
12
Mes
Figura 2-29. Comparacin de promedios mensuales de SO2 en la estacin Lima Sur.
En resumen, en el caso del SO2 el modelo no es adecuado para fines de representar

los impactos causados por el sector transporte, ya que las simulaciones tienden a
sobreestimar los impactos causados por las fuentes mviles. Adems, es
perfectamente posible que haya zonas de la ciudad donde los impactos por SO2
estn controlados por la presencia de fuentes industriales relevantes, aspecto que
no se ha profundizado ms ya que no corresponde al alcance de este Estudio. La
razn principal de la sobreestimacin del modelo es que no se est considerando la
oxidacin del SO2 en la atmsfera para producir sulfatos secundarios, lo que
reducira considerablemente la magnitud de las concentraciones ambientales de
SO2.
2-28
2.2.1.4 Dixido de Nitrgeno NO2

Cabe destacar que en este caso el modelo de dispersin simula solamente el total
de xidos de nitrgeno NOx, ya que la suma de NO y NO2 es aproximadamente
constante a escala urbana, por lo que se puede tratar a los NOx como si fuesen un
compuesto inerte, el cual solamente se dispersa en la atmsfera. A continuacin,
hubo que hacer un supuesto con respecto a las concentraciones de NO2, las que se
estimaron como un 20 % del NOx total. En efecto, las emisiones del transporte
corresponden mayoritariamente a NO, siendo el NO2 un componente minoritario en
ellas (tpicamente corresponden a un 10% de los NOx emitidos); sin embargo,
debido a las reacciones de carcter fotoqumico que se presentan posteriormente
entre los xidos de nitrgeno y los compuestos orgnicos voltiles, se produce un
incremento del NO2 a medida que avanza la hora del da y los contaminantes son
transportados por los vientos predominantes en la cuenca de Lima Callao. No es
posible estimar este efecto hora a hora debido a que el modelo de dispersin no
considera reacciones qumicas. Por esto, para fines de estimar promedios
mensuales, se adopt el valor porcentual sealado al comienzo de este prrafo.
Otro aspecto importante de aclarar es que en el monitoreo realizado en este Estudio
se privilegi medir muy cerca de las vas de transporte, precisamente para evitar
interferencias con emisiones que no provienen del transporte. Sin embargo, en el
caso del NO2, por tratarse de un contaminante con un aporte de origen secundario
asociado a reacciones qumicas, la medicin hecha tiende a subestimar los impactos
por NO2, ya que las emisiones frescas del transporte tienden a estar dominadas por
el NO y no por el NO2. Este aspecto se va a tomar en cuenta en las discusiones que
se hacen a continuacin.
Las siguientes figuras muestran que las simulaciones del modelo para la
meteorologa del ao 2004 subestiman sistemticamente a las mediciones de la
DIGESA correspondientes a los aos 2003 y 2004, excepto en el caso de Lima
Norte (donde hay pocas mediciones para el periodo analizado). Adems, los
resultados del monitoreo realizado en este Estudio son semejantes los valores
simulados, particularmente el monitoreo pasivo, lo cual es aceptable considerando
que el monitoreo hecho en este Estudio tendera a subestimar los impactos por NO2,
y al hecho de que estamos modelando solamente fuentes mviles.
En el caso del sector Centro Histrico, los datos de DIGESA del ao 2004 estn por
sobre los simulados, pero por un leve margen. En este sector, claramente dominado
por el transporte, el modelo (con las aproximaciones ya comentadas para estimar
NO2 como un porcentaje del total de NOx) est operando satisfactoriamente. En las
dems estaciones las mediciones de DIGESA estn muy por sobre los simulado,
mientras que los resultados de las mediciones del presente Estudio muestran mayor
semejanza con lo simulado.
2-29
NO2 Lima Centro
Sim
Obs2003
300
Obs2004
250
Obs2001
ug/m3
200
Obs2000
150
Obs1999
100
Obs1998
50
Obs1997
0
1
10
11
12
Este Estudio
(Continuo)
Este Estudio
(Pasivo)
Mes
Figura 2-30. Comparacin de promedios mensuales de NO2 en la estacin Lima Centro.
En la zona de Callao no se hicieron mediciones en este Estudio, pero las

simulaciones del modelo tienden a estar por debajo de los valores reportados por la
DIGESA, excepto en los meses de Enero y Febrero. Esto es razonable si se
considera que las fuentes industriales son relevantes en esa zona, por lo que su
aporte podra explicar las diferencias entre simulacin y observacin.
NO2 Callao
35
30
Sim*
ug/m3
25
Obs2004
20
15
Obs2003
10
5
0
1
10
11
12
Mes
Figura 2-31. Comparacin de promedios mensuales de NO2 en la estacin Callao.
En el caso de la estacin Lima Norte, existe menos informacin de DIGESA para

evaluar el modelo de dispersin, pero los valores medidos en la campaa realizada
en este Estudio tienden a corroborar las simulaciones y la aproximacin presentada
en esta Seccin (aunque se trata de slo dos puntos de comparacin).
2-30
ug/m3
NO2 Lima Norte

50
45
40
35
30
25
20
15
10
5
0
Sim
Obs2004
Obs2003
Este Estudio
(Continuo)
Este Estudio
(Pasivo)
10
11
12
Mes
Figura 2-32. Comparacin de promedios mensuales de NO2 en la estacin Lima Norte.
En el caso de Lima Este existen ms mediciones mensuales de DIGESA, las que

nuevamente estn por sobre las simulaciones en todo el periodo analizado. En este
caso, por tratarse de una zona viento abajo de fuentes mviles e industriales
relevantes, la mayor subestimacin del modelo podra atribuirse a que existe mayor
conversin de NO a NO2 en dicha zona, con masas de aire ms envejecidas que
llegan al lugar de monitoreo con incrementos de la razn NO2/NOx. Debido a que
este es un fenmeno asociado a la qumica atmosfrica, no es modelado por ISC3.
NO2 Lima Este
70
60
Sim*
ug/m3
50
Obs2004
40
30
Obs2003
20
10
0
1
10
11
12
Mes
Figura 2-33. Comparacin de promedios mensuales de NO2 en la estacin Lima Este.
En el caso de la estacin Lima Sur, nuevamente encontramos que el monitoreo de

DIGESA sobreestima consistentemente las concentraciones simuladas, pero el
monitoreo realizado all (tanto continuo como pasivo) es similar a los valores
estimados por el modelo de dispersin. Hay que hacer notar que dicha zona posee
actividad industrial relevante, tal como se ha mostrado en la figura 2-24, por lo que
2-31
es posible que parte de las discrepancias detectadas (entre Agosto y Diciembre del
2004) se puedan atribuir a la presencias de fuentes emisoras industriales.
NO2 Lima Sur
35
Sim**
30
Obs2004
25
ug/m3
Obs2003
20
Este Estudio
(Continuo)
Este Estudio
(Pasivo)
15
10
5
0
1
10
11
12
Mes
Figura 2-34 Comparacin de promedios mensuales de NO2 en la estacin Lima Sur.
En este caso concluimos que el modelo de dispersin est estimando

razonablemente la lnea base del transporte en la zona metropolitana de Lima
Callao, sobre todo para fines de representar la variabilidad espacial de los impactos.
Hubiera sido ms adecuado haber asumido una fraccin de NO2/NOx que fuese ms
representativa de la actividad fotoqumica caracterstica de la cuenca de Lima
Callao. Sin embargo, tal tipo de modelacin excede el alcance del presente Estudio,
y adems hubiera requerido disponer de un inventario de emisiones completo para
Lima Callao, lo cual tampoco forma parte del alcance del presente Estudio.
2.2.1.5 Conclusiones de la lnea base simulada, promedios mensuales

(situacin sin COSAC I).
Los resultados de los promedios mensuales de concentraciones de contaminantes
simulados por el modelo de dispersin ISC3 muestran un comportamiento coherente
con la mediciones de DIGESA y con el monitoreo hecho en este Estudio; la
excepcin es el caso del SO2, lo cual se debe en gran parte a que no est
considerando la oxidacin del SO2 en la atmsfera (para producir posteriormente
sulfatos secundarios), y tambin en parte a la contribucin del sector industrial a las
concentraciones ambientales, aspecto que no forma parte de este Estudio pero que
requiere ser investigado ms a fondo.
Las simulaciones mensuales estn consistentemente por debajo de las
concentraciones medidas (exceptuando el SO2), lo cual era de esperarse, ya que se
estn simulando solamente las fuentes del transporte, y no otras que son relevantes
en la ciudad.
2-32
Considerando la incertidumbre tpica de los modelos de dispersin como ISC3, que

est entre un 20 y un 40 %, se puede concluir que el modelo es adecuado para fines
de representar los impactos en concentraciones causados por las emisiones del
transporte, siempre que dichos impactos se midan en escalas temporales de
promedios mensuales.
2.2.1.6 Discusin especfica relativa al monitoreo mensual de PM2.5 en Lima
Callao
En el monitoreo de PM2.5 realizado en este Estudio se ha detectado cantidades entre
40 y 45 (g/m3), promedio semanal, del PM2.5, cantidades que son semejantes a
otros estudios hechos por PROTRANSPORTE. Estos valores se pueden extrapolar
para todo el ao, concluyndose que es altamente probable que la lnea base actual
de PM2.5 en Lima Callao alcance los 40 (g/m3), promedio anual.
Para poner en perspectiva este valor anual, consideramos ahora la situacin de
calidad del aire en Santiago de Chile, ciudad altamente impactada por el transporte y
que ha estado sometida a promedios anuales de PM2.5 similares a los estimados en
este Estudio.
La siguiente Tabla entrega las cantidades lmite que definen los episodios de
contingencia por PM10 en Santiago, los cuales se han venido utilizando en el
manejo de la calidad del aire para dictar medidas excepcionales tales como la
paralizacin de fuentes fijas ms contaminantes, prohibicin de circulacin de los
vehculos particulares ms antiguos y parte de los buses, prohibicin de entrada de
camiones al anillo central de la ciudad, etc.
Tabla 2-2 Niveles de PM10 de 24 horas asociados a diferentes contingencias en Santiago, Chile.
CATEGORIA ICAP
MP10 g/m3 (24 HRS.)
NIVEL
EPISODIO
101-200 Regular
100
150
201-300 Malo
200
195
Alerta
301-400 Crtico
300
240
Preemergencia
401-500 Peligroso
400
285
Preemergencia
> 501
500
330
Emergencia
ICAP
0-100
Bueno
Excede
La siguiente figura muestra la evolucin del nmero de episodios de alerta,

preemergencia y emergencia ambiental constatados en Santiago de Chile durante el
periodo de 1997 al 2003. Se indica tambin en cada ao cuanto fue el promedio
anual del PM2.5, para fines de comparar esto con la situacin de Lima Callao. Se
aprecia claramente que los valores actualmente medidos en Lima Callao
corresponden a periodos en los cuales en Santiago de Chile se constataban
alrededor de 40 alertas al ao, cerca de 28 preemergencias y 2 a 3 emergencias.
Aun corrigiendo por la mayor estacionalidad presente en Santiago, este ejercicio
2-33
simple de comparacin indica que en Lima Callao actualmente se estaran

excediendo las normas de calidad del aire para PM10 (promedio de 24 horas) un
nmero importante de das al ao, es decir, no se tratara de situaciones
excepcionales sino que se presentaran en cantidad significativa.
Esto pone en perspectiva el riesgo actual en que se encuentra la poblacin de la
zona metropolitana de Lima Callao, y que es necesario impulsar las medidas de
abatimiento de emisiones contempladas en los planes de regulacin tales como el
COSAC I.
T ipo de Episo dios Constatados
(1997-2003)
PM2.5:
43.5
43.6
37.5
35.8
34.1
34.6
35.3
50
43
N de Ep isodios
40
38 37
30
27
23
23
21
20
17
14
12
10
10
4
1
4
0
199 7(*)
199 8
Alerta
1999
20 00
Pre emergen cia
200 1
2002
20 03
Em ergencia
Figura 2-35. Comparacin de los niveles anuales de PM2.5 (en rojo) y su correlacin con los eventos
de excedencias de concentraciones ambientales de PM10 (24 horas) en Santiago de Chile (nmeros
encima de las barras).
2-34
2.2.2 Lnea base del transporte: comparacin de perfiles diarios.

Se realiz una simulacin de la dispersin de las emisiones del transporte
calculadas para la situacin base (sin COSAC), considerando la meteorologa de
todo un ao (2004 en este caso). Para fines de comparacin se estim el perfil diario
(ciclo diario) de las concentraciones de los distintos contaminantes modelados, a
partir del registro de valores horarios simulados por el modelo ISC3 en los mismos
meses en que se realizaron las mediciones continuas (febrero y marzo del ao
2005).
A continuacin se muestra una figura con la localizacin de las estaciones en la
campaa realizada dentro de este proyecto, al interior del sistema Airviro. En color
rojo se puede ver demarcadas las vas del COSAC I.
Figura 2-36. Ubicacin estaciones campaa de monitoreo continuo, ingresadas al sistema Airviro.
A continuacin se muestran figuras de comparacin de los ciclos diarios observados

en los monitores continuos y los simulados con el modelo ISC3. Cabe destacar que
los ciclos diarios obtenidos de las observaciones son calculados a partir de 7 das
de observacin, mientras que los ciclos diarios simulados se estimaron a partir de un
mes de informacin (cada punto corresponde a un promedio de 28 a 30 datos). El
ciclo diario observado (promedio de 7 valores) es comparado con el ciclo diario
estimado por el modelo para el mismo mes en que se realizaron los monitoreos.
2-35
2.2.2.1 Material particulado fino PM2.5

En este caso se aprecia que las concentraciones modeladas entregan perfiles
diarios que se asemejan a los perfiles observados, excepto en la zona de Pantanos
de Villa, donde el modelo predice concentraciones muy bajas asociadas al
transporte. Los perfiles diarios simulados claramente poseen dos valores mximos,
en la maana y en la tarde (obviamente asociados al transporte), y tambin
presentan una considerable reduccin hacia el medioda; en este ltimo caso es
cuando hay mayores discrepancias con los valores observados. Esto se atribuye
fundamentalmente a la generacin de aerosoles secundarios en las tardes, a travs
de reacciones qumicas promovidas por la radiacin solar, altas temperaturas,
presencia de humedad y emisiones de precursores gaseosos tales como SO2, NOx
e hidrocarburos. Asimismo, las mayores humedades relativas que se manifiestan en
las noches promueven la oxidacin del SO2 a sulfato secundario, lo que explicara en
parte la subestimacin del modelo por las noches, particularmente en sectores como
Lima Norte y Miraflores.
PM2.5 Centro
80
ug/m3
60
Observado
40
Simulado
20
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
9:
00
7:
00
5:
00
3:
00
1:
00
0
Hora
Figura 2-37 Comparacin de ciclos diarios de PM2.5 en la estacin Centro Histrico.
Para la estacin Centro Histrico el modelo tiende a subestimar concentraciones de

PM2.5 por las tardes, justamente cuando hay ms actividad fotoqumica en la ciudad.
La diferencia entre simulaciones y observaciones se puede, entonces, explicar
mediante los argumentos dados en el prrafo anterior.
En el caso de la zona de Lima Norte, de acuerdo a la direccin predominante de los
vientos, esta estacin recibe los impactos provenientes de las emisiones generadas
en los sectores Centro y Sur de la ciudad, por lo que esto estara explicando el
ascenso de concentraciones simuladas en horas de la tarde, antes que se manifieste
el impacto vespertino del transporte, el cual se empieza a manifestar alrededor de
las 7 PM, como se puede apreciar en los grficos que se han presentado en esta
seccin. El modelo predice impactos mayores a los observados por las tardes, y el
descenso de concentraciones es ms rpido, subestimando las concentraciones
observadas de PM2.5 a partir de las 21 horas.
2-36
PM2.5 Norte
100
ug/m3
80
60
Observado
40
Simulado
20
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
9:
00
7:
00
5:
00
3:
00
1:
00
Hora
Figura 2-38 Comparacin de ciclos diarios de PM2.5 en la estacin Centro Norte.
PM2.5 Miraflores
50
ug/m3
40
30
observado
20
Simulado
10
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
9:
00
7:
00
5:
00
3:
00
1:
00
Hora
Figura 2-39 Comparacin de ciclos diarios de PM2.5 en la estacin Miraflores.
A excepcin del sector de Pantanos de Villa, donde el modelo claramente subestima

los impactos all medidos, se puede afirmar que el modelo de dispersin est
capturando la variabilidad diaria esperada de los impactos del transporte en las
concentraciones ambientales de PM2.5, en el caso de los mximos impactos
matinales y vespertinos; sin embargo, en el periodo entre dichos extremos las
concentraciones son claramente subestimadas por el modelo, lo cual se explica por
la generacin de aerosoles secundarios, y tambin por la existencia de otras fuentes
emisoras en la zona urbana, las cuales no han sido modeladas en este Estudio.
Volveremos a este punto en la seccin de conclusiones de estas comparaciones de
perfiles diarios.
2-37
PM2.5 Pantano
20
15
observado
10
simulado
1:
00
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
Figura 2-40 Comparacin de ciclos diarios de PM2.5 en la estacin Pantano.
2.2.2.2 El material particulado respirable PM10

En el caso del PM10, se aprecia un comportamiento ms consistente: en todos los
puntos de monitoreo continuos (exceptuando Pantanos de Villa), se aprecia que los
impactos del transporte subestiman las concentraciones observadas, excepto en las
horas punta de trfico matinal y vespertino, en las cuales se espera que el transporte
(su emisin local) sea dominante.
A excepcin de la zona de Pantanos de Villa, la similitud de patrones simulados y
medidos es clara para las horas de mayores impactos del transporte, existiendo
menor concordancia entre dichos valores extremos al medioda y por las tardes.
Parte de las diferencias entre lo simulado y lo observado se pueden atribuir
fundamentalmente a las fuentes y procesos que no se han modelado explcitamente
en este Estudio: generacin de aerosoles secundarios, fuentes industriales,
comerciales, residenciales, erosin del viento en la cuenca, aerosol marino, etc. Sin
embargo, no se puede descartar la posibilidad de que dichas diferencias no se
deban exclusivamente a que hay otras fuentes y procesos relevantes en la ciudad,
sino tambin a potenciales deficiencias de la modelacin, aspecto que se discutir
en detalle en la seccin de Conclusiones de esta comparacin, al igual que el caso
del desempeo del modelo en el sector de Pantanos de Villa, donde se presentan
claras subestimaciones de impactos a lo largo de todo el da.
Se concluye pues, al igual que en el caso del PM2.5, que el modelo est
representando adecuadamente los mximos impactos del transporte en horas de
trfico intenso matinal y vespertino.
La coherencia de las simulaciones con las mediciones realizadas en este Estudio
nos indica que las estimaciones de las emisiones de material particulado proveniente
del transporte estn siendo adecuadamente estimadas.
2-38
PM10 Centro
ug/m3
200
150
Observado
100
Simulado
50
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
3:
00
1:
00
Hora
Figura 2-41 Comparacin de ciclos diarios de PM10 en la estacin Centro Histrico.
120
100
80
60
40
20
0
observado
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
5:
00
Simulado
3:
00
1:
00
ug/m3
PM10 Norte
Hora
Figura 2-42 Comparacin de ciclos diarios de PM10 en la estacin Norte.
100
80
60
40
20
0
observado
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
5:
00
simulado
3:
00
1:
00
ug/m3
PM10 Miraflores
Hora
Figura 2-43 Comparacin de ciclos diarios de PM10 en la estacin Miraflores.
2-39
60
50
40
30
20
10
0
Observado
Simulado
1:
00
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
ug/m3
PM10 Pantanos
Hora
Figura 2-44 Comparacin de ciclos diarios de PM10 en la estacin Pantanos.
2.2.2.3 Anhdrido sulfrico SO2

En este caso se saba de antemano que el modelo tiende a sobreestimar los
impactos del sector transporte. En efecto, las comparaciones entre mediciones y
simulaciones reflejan esto, con valores de medicin continua muy por debajo de lo
monitoreado. La excepcin es Pantanos de Villa, pero en este caso se trata de una
zona con concentraciones ambientales muy bajas y donde hay presencia de
actividad industrial. En el resto de las estaciones de monitoreo el modelo de
dispersin predice mximos de concentracin de SO2 causados por el transporte por
sobre los medidos en el monitoreo continuo, lo cual no es posible, sobre todo
considerando que hay presencia de actividades industriales relevantes cercanas a
todas esas zonas de monitoreo, las cuales no estn siendo explcitamente
modeladas. La causa principal de esta discrepancia es que el modelo no considera
la oxidacin del SO2 para formar sulfatos secundarios, por lo que tiende a
sobreestimar las concentraciones del contaminante gaseoso. En el caso de la
campaa de monitoreo hecha en este Estudio, las condiciones meteorolgicas de
febrero y marzo, con presencia de neblina y altas humedades ambientales favorecen
muchsimo la oxidacin del SO2 atmosfrico, debido a que se aade a la oxidacin
en fase gaseosa la oxidacin en fase lquida, la que se lleva a cabo a tasas de
reaccin an mayores que en fase gaseosa.
A pesar que esta explicacin justifica las sobreestimaciones de SO2 en que incurre el
modelo, persiste una situacin de subestimacin de impactos por las tardes, aspecto
que se atribuye a una deficiencia del modelo en esas horas del da. Dado que esta
caracterstica de la dispersin se da para todos los contaminantes modelados, se
discute al final de esta seccin.
Debido a esta situacin no es posible utilizar el modelo de dispersin para
estimaciones de impactos del transporte en las concentraciones de SO2.
2-40
SO2 Centro
Observado
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
simulado
1:
00
ug/m3
120
100
80
60
40
20
0
Hora
Figura 2-45 Comparacin de ciclos diarios de SO2 en la estacin Centro Histrico.
SO2 Norte
Observado
simulado
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
1:
00
ug/m3
100
80
60
40
20
0
Hora
Figura 2-46 Comparacin de ciclos diarios de SO2 en la estacin Norte.
SO2 Miraflores
ug/m3
40
30
Observado
20
Simulado
10
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
9:
00
7:
00
5:
00
3:
00
1:
00
Hora
Figura 2-47 Comparacin de ciclos diarios de SO2 en la estacin Miraflores.
2-41
3
2.5
2
1.5
1
0.5
0
Observado
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
9:
00
7:
00
5:
00
Simulado
3:
00
1:
00
ug/m3
SO2 Pantano
Hora
Figura 2-48 Comparacin de ciclos diarios de SO2 en la estacin Pantano.
2.2.2.4 Dixido de Nitrgeno NO2

Recordemos que en este caso el modelo de dispersin simula solamente el total de
xidos de nitrgeno NOx (NO+NO2), por lo cual hubo que hacer un supuesto con
respecto a las concentraciones de NO2, las que se estimaron como un 20 % del NOx
total. En efecto, las emisiones del transporte corresponden mayoritariamente a NO
(tpicamente un 90% o ms del total NOx), siendo el NO2 un componente minoritario
en ellas; sin embargo, debido a las reacciones de carcter fotoqumico que se
presentan posteriormente entre los xidos de nitrgeno y los compuestos orgnicos
voltiles, se produce un incremento del NO2 a medida que avanza la hora del da y
los contaminantes son transportados por los vientos predominantes en la cuenca de
Lima Callao. No es fcil estimar este efecto debido a que el modelo de dispersin no
considera reacciones qumicas.
Las siguientes figuras indican que la aproximacin hecha para los impactos por NO2
puede ser apropiada en valor promedio (como lo visto en la seccin 2.2.1.4 al
comparar promedios mensuales), pero dicha aproximacin no es capaz de
representar la dinmica diaria del NO2 y cmo vara hora a hora este contaminante,
ya que el modelo no es capaz de representar la qumica de las reacciones entre
contaminantes gaseosos. Este aspecto explica, por ejemplo, que los mximos de
NO2 observados en la campaa de este Estudio se aprecien desfasados con
respecto a la hora de trfico punta matinal, es decir, ocurren despus que han
transcurrido un par de horas y la actividad fotoqumica (incluyendo radiacin) se
empieza a manifestar en la conversin de NO a NO2.
En particular, en el caso de la estacin Centro Histrico, el modelo claramente
sobreestima los impactos por NO2 que se han medido all en el presente Estudio.
Por contraste, en las estaciones Lima Norte y Miraflores el modelo claramente no
est simulando los patrones temporales de los impactos por NO2 all observados.
La conclusin que podemos obtener es que la aproximacin hecha respecto al
cuociente NO2/NOx es solamente apropiada para estimar promedios mensuales, tal
como se ha presentado en las comparaciones de la seccin 2.2.1.4. Se concluye
entonces que la variabilidad del cuociente NO2/NOx a lo largo del da y en diferentes
2-42
zonas de la ciudad es la explicacin principal del desempeo regular que se

constata en las simulaciones de perfiles diarios de este contaminante, ya que el
modelo trabaja con un valor constante para dicho cuociente. No es posible, por lo
tanto, emplear el modelo para predecir perfiles diarios de impactos por NO2 en la
zona urbana.
NO2 Centro
Observado
Simulado
1:
00
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
ug/m3
120
100
80
60
40
20
0
Hora
Figura 2-49 Comparacin de ciclos diarios de NO2 en la estacin Centro Histrico.
NO2 Norte
100
ug/m3
80
60
Observado
40
Simulado
20
1:
00
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
Hora
Figura 2-50 Comparacin de ciclos diarios de NO2 en la estacin Norte.
35
30
25
20
15
10
5
0
Observado
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
9:
00
7:
00
5:
00
Simulado
3:
00
1:
00
ug/m3
NO2 Miraflores
Hora
Figura 2-51 Comparacin de ciclos diarios de NO2 en la estacin Miraflores.
2-43
12
10
8
6
4
2
0
Observado
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
Simulado
1:
00
ug/m3
NO2 Pantano
Hora
Figura 2-52 Comparacin de ciclos diarios de NO2 en la estacin Pantano.
2.2.2.5 Monxido de Carbono, CO
Este gas es un trazador claro del transporte, particularmente de los vehculos a

gasolina. Dado que se espera que las emisiones de CO provenientes del sector
transporte sean las que dominen las emisiones totales de CO en la zona
metropolitana de Lima Callao, entonces las simulaciones de la dispersin de este
contaminante deberan asemejarse bastante a las mediciones realizadas en esta
campaa de monitoreo. Las siguientes figuras presentan las comparaciones de
ciclos diarios de concentraciones monitoreadas y simuladas para el monxido de
carbono.
En las estaciones Centro Histrico y Lima Norte el modelo predice razonablemente
el valor mximo de la maana, pero subestima claramente las concentraciones
despus de las 9 AM (hora local) y las sobreestima alrededor de las 8 PM (hora
local).
5000
4000
3000
2000
1000
0
Observado
Simulado
1:
00
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
ug/m3
CO Centro Histrico
Hora
Figura 2-53 Comparacin de ciclos diarios de CO en la estacin Centro Histrico.
2-44
CO Norte
ug/m3
4000
3000
Observado
2000
Simulado
1000
1:
00
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
Hora
Figura 2-54 Comparacin de ciclos diarios de CO en la estacin Norte.
Dado que no se espera que haya otras fuentes relevantes de CO, los resultados
anteriores para el perfil diario nos llevan a pensar que se trata de una deficiencia de
las simulaciones de dispersin en esas horas en particular, aspecto que se discute
ms adelante en esta seccin. En efecto, todas las simulaciones presentadas en
esta seccin presentan esos mnimos a medioda, por lo cual esto se debe asociar a
un problema con la representacin de la meteorologa en el modelo de dispersin.
En el caso de la estacin Miraflores, el modelo claramente subestima las
concentraciones en todas las horas del da. Dado que no se espera que haya ms
fuentes relevantes de CO, la conclusin es que el modelo de dispersin no est
representando adecuadamente los impactos en ese sector.
La comparacin es ms complicada en el caso de la estacin Pantanos de Villa,
donde el monitoreo arroja un valor constante de CO, con valores medidos incluso
superiores a los medidos en otras estaciones como Miraflores y Lima Norte, lo cual
es poco consistente con lo que se sabe acerca de los flujos del transporte en esas
distintas zonas. Ese monitoreo debe ser revisado para hallar una explicacin de los
resultados all medidos.
CO Miraflores
2500
ug/m3
2000
1500
Observado
1000
Simulado
500
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
7:
00
5:
00
3:
00
1:
00
Hora
Figura 2-55 Comparacin de ciclos diarios de CO en la estacin Miraflores.
2-45
CO Pantanos
ug/m3
2500
2000
Observado
1500
1000
Simulado
1:
00
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
500
0
Hora
Figura 2-56 Comparacin de ciclos diarios de CO en la estacin Pantanos.
A modo de comparacin adicional, la siguiente figura presenta el perfil diario del CO

medido en una estacin de monitoreo ubicada en la sede central del SENAMHI; se
aprecia que las observaciones presentan claramente dos valores mximos
correspondientes a las situaciones de trfico en horas punta matinales y vespertinas
en esa zona. Por lo tanto, estas observaciones son consistentes con las
simulaciones para el sector Centro Histrico, con la excepcin que el modelo predice
una cada ms fuerte de las concentraciones de CO entre periodos punta del trfico
y tambin en condiciones nocturnas alrededor de la medianoche.
Figura 2-57 Perfil diario de concentraciones de CO medidas en la estacin ubicada en la sede central
del SENAMHI, para el mes de Febrero del 2004.
2-46
2.2.2.6 Conclusiones respecto a las comparaciones de perfiles diarios de

contaminacin.
En principio, las comparaciones de perfiles horarios simulados y medidos en este

Estudio muestran discrepancias, especialmente entre los dos periodos punta del
transporte. Esto nos lleva a plantear una explicacin para el desempeo del modelo
ISC3 en este caso. Los siguientes elementos nos permiten construir una explicacin:
a) Si tenemos en cuenta que los perfiles de actividad de los vehculos se
tomaron de campaas de conteos de vehculos en toda la zona metropolitana
de Lima Callao ms los resultados del Plan Maestro de Transporte Urbano,
entonces no parece factible que haya deficiencias en el inventario de
emisiones, sino ms bien en la modelacin.
b) Los modelos Gaussianos como el ISC3 estn diseados especficamente
para representar las distribuciones ms probables de concentraciones en el
dominio de modelacin, en un periodo relativamente largo, simplificando la
representacin de la meteorologa. Es as como estos modelos son ms
aplicables para el caso de calcular promedios diarios o mensuales, por
ejemplo, en vez de valores de corto plazo. Luego, al aplicar el modelo a una
situacin de largo plazo con muchas simulaciones horarias (ms de 700 en un
mes, por ejemplo), se producen cancelaciones de errores de sobre y
subestimacin como los que se han visto claramente en esta seccin al
comparar perfiles diarios. Es as como el promedio de largo plazo va a tener
una mejor precisin que las predicciones respecto a los impactos en una hora
cualquiera del periodo de simulacin. La seccin anterior de comparacin de
promedios mensuales ha mostrado que esta situacin se est dando para
todos los contaminantes simulados en este Estudio (exceptuando el SO2 por
razones ya expuestas), con buenas similitudes entre observaciones y
simulaciones.
c) En modelos de este tipo se emplea un campo de vientos uniforme, el cual
corresponde a la meteorologa de un sector representativo de toda la ciudad.
En el caso de Lima Callao, las rosas de los vientos son todas muy similares
entre s a lo largo de la ciudad (ver boletines del SENAMHI, por ejemplo), por
lo que se puede concluir que la mayor dificultad est en tener buenas
estimaciones de la velocidad del viento representativa de la zona urbana.
Dada la variabilidad de situaciones a lo largo de la zona metropolitana (zonas
costeras con brisas mar-continente, zonas urbanas con obstculos relevantes
y zonas cercanas a microcuencas con influencia topogrfica y estancamientos
del aire), no parece realista que una sola estacin de monitoreo sea
representativa de lo que ocurre hora a hora en toda la ciudad con el
transporte de los contaminantes. Sin embargo, esta es la manera de operar
del modelo ISC3. Es posible que las velocidades del viento en esas horas del
da estn sobreestimando el campo de velocidades representativo de todo el
dominio urbano, lo cual explicara la subestimacin de impactos que all se
aprecia en las modelaciones de todos los contaminantes analizados.
Por lo tanto, las conclusiones que se pueden establecer respecto a las
comparaciones de los perfiles diarios de impactos simulados y observados son:
2-47
1. Para contaminantes que participan en reacciones qumicas, tales como

SO2 y NO2, el modelo ISC3 no es capaz de representar esos fenmenos y,
por lo tanto, no se puede utilizar el modelo de dispersin para representar
dichos impactos.
2. El modelo est representando adecuadamente los impactos de las horas
punta del transporte (maana y tarde), pero se subestiman impactos entre
dichas horas punta. Esto ltimo es una deficiencia del modelo, ya que se
manifiesta incluso para el CO, contaminante que es emitido en casi su
totalidad por el transporte (y no por las fuentes emisoras no consideradas
en este Estudio).
3. Para el caso de material particulado (PM2.5, PM10 y PTS), no se estn
modelando todas las fuentes que emiten y procesos que generan material
particulado en la cuenca metropolitana de Lima Callao, tal como se ha
explicado anteriormente en este Captulo.
Para evaluar la credibilidad de las simulaciones del modelo de dispersin, intentando
subsanar las deficiencias ya discutidas, hemos realizado el siguiente ejercicio de
representacin de datos modelados: a los valores de los perfiles diarios de PM2.5 y
PM10 simulados en las ubicaciones donde se hizo monitoreo continuo, les sumamos
el perfil observado en Pantanos de Villa. Mediante este procedimiento estamos
estimando el background del transporte, es decir, el impacto causado por todas las
dems fuentes emisoras y procesos generadores de material particulado en la
cuenca. Se escogi Pantanos de Villa dado que nuestra base de datos indica
emisiones muy bajas del transporte en esa zona, por lo cual se espera que el
monitoreo all realizado refleje principalmente el impacto causado por las dems
fuentes emisoras y procesos responsables de los impactos por material particulado.
Las siguientes figuras muestran que este esquema produce estimaciones de
impactos totales (transporte + fuentes estacionarias + fuentes naturales) que se
asemejan ms a los valores observados en las estaciones de monitoreo de
Miraflores, Centro Histrico y Lima Norte, tanto para PM10 como para PM2.5. Los
mejores resultados se obtienen para Miraflores, dada la cercana con Pantanos de
Villa, cuyos valores de concentraciones pueden no ser tan representativos del
background del Centro Histrico o de Lima Norte, ya que hay mucha mayor
concentracin de fuentes industriales en esas zonas, lo cual puede explicar la menor
concordancia obtenida en esos dos casos.
De todas maneras, la gran concordancia obtenida para el PM10 es digna de
destacarse, y muestra que el enfoque de modelacin de dispersin, en conjunto con
inventarios de emisiones y monitoreo de calidad del aire se ha aplicado de manera
integrada y eficaz en este Estudio.
Por lo tanto, los promedios de perfiles diarios obtenidos a partir de un mes de
simulacin son consistentes con las observaciones hechas en el monitoreo continuo
realizado en este Estudio, y tienden a validar las estimaciones de emisiones del
transporte hechas en el captulo 8 de este Informe Final.
2-48
PM2.5 Centro + Background Pantanos

Observado
Simulado+ Background PV
100
80
60
40
20
1:
00
3:
00
5:
00
7:
00
9:
00
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
PM2.5 Miraflores + Background Pantanos

observado
Simulado+Background PV
50
40
30
20
10
11
:0
0
13
:0
0
15
:0
0
17
:0
0
19
:0
0
21
:0
0
23
:0
0
9:
00
7:
00
5:
00
3:
00
1:
00
PM2.5 Norte + Background Pantanos

Observado
80
60
40
20
21
:0
0
23
:0
0
17
:0
0
19
:0
0
13
:0
0
15
:0
0
9:
00
11
:0
0
7:
00
5:
00
3:
00
1:
00
Figura 2-58. Estimacin del impacto de PM2.5 combinando las predicciones del modelo ISC3 con
datos de background tomados de la estacin Pantanos de Villa (monitoreo continuo realizado en este
Estudio).
2-49
PM10 Centro + Background Pantanos

Observado
Simulado + Background PV
200
ug/m3
150
100
50
23
:0
0
21
:0
0
19
:0
0
17
:0
0
15
:0
0
13
:0
0
9:
00
11
:0
0
7:
00
5:
00
3:
00
1:
00
Hora
PM10 Miraflores + Background Pantanos

observado
100
ug/m3
80
60
40
20
23
:0
0
21
:0
0
19
:0
0
17
:0
0
15
:0
0
13
:0
0
9:
00
11
:0
0
7:
00
5:
00
3:
00
1:
00
Hora
PM10 Norte + Background Pantanos
observado
120
ug/m3
100
80
60
40
20
23
:0
0
21
:0
0
19
:0
0
17
:0
0
15
:0
0
13
:0
0
9:
00
11
:0
0
7:
00
5:
00
3:
00
1:
00
Hora
Figura 2-59 Estimacin del impacto de PM10 combinando las predicciones del modelo ISC3 con datos
de background tomados de la estacin Pantanos de Villa (monitoreo continuo realizado en este
Estudio).
2-50
Luego, se puede concluir que el modelo ISC3 es apropiado para modelar impactos
de largo plazo (mensuales, estacionales y anuales) en las concentraciones de
contaminantes emitidos por el transporte, salvo el caso del SO2 puesto que el
modelo no considera la oxidacin del SO2 en la atmsfera. Para interpretar
adecuadamente los resultados que entrega el modelo ISC3 es necesario considerar
promedios provenientes de un nmero suficientemente largo de simulaciones
horarias (ejemplo: una semana, un mes, etc.), lo cual corresponde al enfoque
regulatorio utilizado histricamente por la EPA de EEUU en evaluaciones de imapcto
ambiental.
Por otra parte, no recomendamos utilizar el modelo para estimar los impactos que
ocurren hora a hora en un determinado punto en el espacio; para esto habra que
desarrollar modelos ms avanzados que el ISC3, lo cual escapa del alcance del
presente Estudio. Dichos modelos avanzados deben incorporan el campo de vientos
tridimensional, al igual que las dems variables meteorolgicas provenientes de
observaciones y de simulaciones de modelos meteorolgicos avanzados, con el
objetivo de predecir con ms detalle espacial y temporal la evolucin de las
concentraciones de contaminantes en la cuenca metropolitana de Lima Callao.
La seccin 2.2.1 ha mostrado como el enfoque de modelacin permite obtener
simulaciones mensuales consistentes con el monitoreo para esas mismas escalas
temporales. A partir de esas estimaciones de la dispersin de contaminantes se va a
poder estimar el rea de influencia asociada a la implementacin del COSAC I, tal
como se ver ms adelante en este Captulo.
2-51
2.2.3 Lnea base del transporte: dispersin espacial de los contaminantes.
A continuacin se presentan mapas de dispersin de los distintos contaminantes

simulados mediante el modelo ISC3; de acuerdo con la discusin de las dos
secciones anteriores, los promedios de largo plazo son ms representativos y
consistentes con el monitoreo ambiental, por lo cual en esta seccin se va a
enfatizar en mostrar cmo el modelo de dispersin nos entrega informacin con alto
detalle espacial de los impactos causados por las emisiones. Por esto es que vamos
a mostrar promedios mensuales de impactos a determinadas horas del da, de
manera de poder visualizar las diferencias que se producen a lo largo del da en la
ciudad.
2.2.3.1 Comparacin de promedios mensuales
A continuacin se presentan mapas de dispersin que corresponden a los

promedios mensuales simulados por el modelo para dos meses diferentes del ao:
febrero y agosto, de manera de comparar si hay o no variabilidad en las zonas de
mximos impactos que estima el modelo. De esta manera se va a estar verificando
si hay o no estacionalidad definida para estos indicadores ambientales. Para cada
mes, cada celda del dominio espacial se rellen con un valor de concentracin
correspondiente al promedio de todo el periodo para ese punto espacial (en el caso
de Marzo, son 744 datos horarios, por ejemplo).
La figura 2-60 presenta el caso del PM2.5, y se puede apreciar que ambas figuras
son muy similares, excepto que en el caso de agosto se alcanza a llegar hasta 25
g/m3 de promedio mensual en la zona cntrica de Lima, lo que no ocurre en
febrero. Adems, en el caso de agosto la isolnea de 1 g/m3 se extiende ms hacia
el norte y este que en el caso de febrero, lo que implica impactos ms extendidos
espacialmente en invierno que en verano. Esto es consistente con la data de
estabilidad atmosfrica presentada en la seccin 2.1.2.5, donde se mostr que en
condiciones de invierno disminuye la capacidad de la atmsfera para dispersar
eficientemente los contaminantes emitidos en la ciudad.
Resultados similares se obtienen para el PM10 y PTS en las figuras 2-61 y 2-62,
respectivamente. Se constata una dispersin ms extensa de la contaminacin en
condiciones de invierno, con patrones espaciales de mximos impactos en el sector
cntrico (es decir, en el entorno del COSAC) muy similares en ambos meses. Los
mximos impactos por PM10 y PTS llegan a alcanzar hasta 30 y 100 g/m3 de
promedio mensual en la zona cntrica de Lima, respectivamente, siendo las reas
de mximo impacto similares en invierno y en verano.
2-52
Figura 2-60. Promedios mensuales de PM2.5 (g/m ) para febrero (panel superior) y agosto (panel
inferior), caso lnea base, slo se modela sector transporte.
3
2-53
Figura 2-61. Promedios mensuales de PM10 (g/m ) para febrero (panel superior) y agosto (panel
3
2-54
Figura 2-62. Promedios mensuales de PTS (g/m ) para febrero (panel superior) y agosto (panel
3
2-55
Para el caso de los impactos por gases, las siguientes figuras 2-63 a 2-65 presentan
los resultados para SO2, NO2 y CO, respectivamente. Aunque en el caso del SO2 se
trata de sobreestimaciones, se grafican de todas maneras para completar las
comparaciones hechas en esta seccin.
Se aprecia que todos los gases presentan un comportamiento similar al compararse
el mes de febrero con el de agosto: en invierno aumenta la extensin de la zona
influenciada por las emisiones del transporte. Sin embargo, en la escala de
promedios mensuales, los mximos impactos que se presentan invariablemente en
la zona del Centro de Lima, no cambian mucho a lo largo del ao, tal como se ha
mostrado anteriormente en la seccin 2.2.1, con la excepcin de dos meses (marzo
y abril) que se alejan de la tendencia general presentada por todos los
contaminantes simulados en este Estudio.
Para todos los contaminantes modelados se aprecia que en el borde costero las
concentraciones son bajas, debido a que los vientos predominantes all traen masas
de aire limpio desde el mar hacia el continente. Adems, la orientacin preferencial
de los vientos en direccin sur en la cuenca Lima Callao hace que las emisiones se
dispersen preferentemente hacia el norte y este de las principales fuentes emisoras
modeladas (transporte), con lo cual los mapas presentan una asimetra este oeste,
con un penacho mucho ms alongado hacia el este (extendindose a lo largo de las
micro cuencas meteorolgicas) que hacia el interior del mar, lo cual era previsible
dado el rgimen de vientos imperante en la cuenca metropolitana. Las mximas
concentraciones de NOx y CO llegan a alcanzar hasta 100 y 300 g/m3 de promedio
mensual en la zona cntrica de Lima, respectivamente, siendo las reas de mximo
impacto de extensin similares en invierno y en verano.
En conjunto con los resultados de las secciones anteriores, concluimos que las
zonas de influencia del transporte son asimtricas, alongndose hacia el norte y este
debido a las caractersticas del viento en la zona metropolitana de Lima Callao.
Adems, no se aprecia mucha estacionalidad en los impactos simulados, lo que se
debe a que la meteorologa no cambia de manera significativa de un mes a otro, y
esto indica que los promedios mensuales presentados en esta Seccin del Estudio
son estimadores adecuados de los promedios anuales que se esperaran para cada
uno de los contaminantes analizados en este Captulo (con la excepcin del SO2).
2-56
Figura 2-63. Promedios mensuales de SO2 (g/m ) para febrero (panel superior) y agosto (panel
3
2-57
Figura 2-64. Promedios mensuales de NOx (g/m ) para febrero (panel superior) y agosto (panel
3
2-58
Figura 2-65. Promedios mensuales de CO (g/m ) para febrero (panel superior) y agosto (panel
3
2-59
2.2.3.2 Comparacin de la dispersin para distintas horas del da.
A continuacin se presentan los resultados obtenidos para la lnea base de

emisiones del transporte, cuya dispersin ha sido modelada para un mes entero (en
este caso, febrero) y, a partir de los datos de la simulacin de todo el mes, se han
tomado promedios a diferentes horas del da, con el objeto de mostrar como es la
evolucin a lo largo del da de los distintos contaminantes en su distribucin a lo
largo de la cuenca metropolitana de Lima Callao.
Para confeccionar estos mapas se hizo un procesamiento especial de los datos,
leyendo el archivo de salida de datos brutos de ISC3 y ordenndolos por hora del
da para todo el mes de simulacin (febrero en este caso). Luego para cada hora del
da se calcul un promedio empleando los 28 das modelados, lo cual se hizo para
las siguientes horas locales: 8 AM, 2 PM, 8 PM y medianoche, con lo cual se
construyeron las siguientes grficas que permiten apreciar como va cambiando la
magnitud de los mximos impactos del transporte a lo largo de un da tpico.
Hay que tener presente las conclusiones respecto a este tipo de simulaciones
horarias que se han presentado en la seccin 2.2.2, esto es, que las predicciones
tienden a estimar adecuadamente los mximos impactos en las horas de alto trfico
matinal y vespertino, pero que se subestiman las concentraciones cerca del
medioda; este comportamiento es similar para todos los contaminantes modelados.
La excepcin es el SO2, para el cual se encontr que el modelo sobreestima los
impactos del transporte, particularmente en las horas de alto trfico matinal y
vespertino, y esta deficiencia se debe fundamentalmente a que el modelo ISC3 no
simula reacciones qumicas en la atmsfera.
En el caso del PM2.5 (figura 2-66) se aprecia un impacto mayor en la maana (8 PM)
que en la noche (8 PM), ya que en la maana hay mayor estabilidad atmosfrica, las
condiciones de dispersin son ms pobres que en el resto del periodo diurno y el
rea de influencia es mayor que en el caso de las 8 PM. En este caso el viento
predominante es sur-oeste, por lo que los impactos se ven hacia el norte y este de
las principales emisiones del transporte, siguiendo las microcuencas meteorolgicas
de Lima Callao.
A pesar que a la medianoche las condiciones de dispersin son pobres tambin, las
emisiones son considerablemente menores, por lo que los impactos
correspondientes son bajos, e inferiores a los valores estimados para ambas horas
punta del trfico (8 AM y 8 PM) y el rea de influencia se reduce con respecto a los
casos de trfico en horas punta.
En las tardes el rgimen de vientos se estabiliza con viento sur y el penacho se
alarga claramente hacia el norte de la ciudad y los impactos se diluyen, siendo
incluso inferiores a los simulados en la medianoche, lo cual es incorrecto de acuerdo
al monitoreo ambiental, donde se observa la tendencia opuesta: los mnimos
impactos ocurren a la medianoche, seguidos por los impactos cerca del medioda.
Esta discrepancia se debe fundamentalmente a la caracterizacin de la meteorologa
de la cuenca en base a un campo de vientos uniforme para cada hora simulada por
el modelo ISC3, como ya se ha discutido en la seccin 2.2.2 de este Informe Final.
2-60
a)
b)
c)
d)
Figura 2-66 Concentraciones horarias de PM2.5 (g/m ) para las siguientes horas del da: a) 8 AM, b) 2 PM, c) 8 PM, d) medianoche. Datos promediados a
partir de un mes de simulacin (febrero). Emisiones de lnea base del transporte (sin COSAC).
2-61
a)
b)
c)
d)
Figura 2-67 Concentraciones horarias de PM10 (g/m ) para las siguientes horas del da: a) 8 AM, b) 2 PM, c) 8 PM, d) medianoche. Datos promediados a
2-62
a)
b)
c)
d)
Figura 2-68 Concentraciones horarias de PTS (g/m ) para las siguientes horas del da: a) 8 AM, b) 2 PM, c) 8 PM, d) medianoche. Datos promediados a
2-63
En el caso del PM10 y del PTS (figuras 2-67 y 2-68, respectivamente), el

comportamiento de los patrones de dispersin simulados por el modelo son
semejantes; la nica diferencia es que, por ser las emisiones de PTS mayores que
las de PM10 y PM2.5, las reas de influencia de esas emisiones se extienden ms
que en el caso de las fracciones PM10 y PM2.5.
Para las concentraciones de gases, las figuras 2-69 a 2-71 muestran los resultados
para SO2, NO2 y CO, respectivamente. Todos los patrones son muy semejantes
entre s, manifestndose las diferentes condiciones meteorolgicas a lo largo del da
de manera similar a lo ya discutido para las distintas fracciones del material
particulado en suspensin.
De acuerdo con la discusin respecto a la validez de las simulaciones del modelo de
dispersin, los impactos estimados en las horas de mayor trfico (8 AM y 8 PM) son
los que mejor reproduce el modelo, particularmente para material particulado y CO.
Por el contrario, los impactos simulados en las tardes subestiman los impactos all
medidos, lo cual es claro en el caso del CO (al comparar perfiles diarios simulados y
medidos) y en el caso de contaminantes que reaccionan como el SO2 y el NO2 la
simulacin es de menor confiabilidad y slo sirve para comparaciones cualitativas.
2-64
a)
b)
c)
d)
Figura 2-69 Concentraciones horarias de SO2 (g/m ) para las siguientes horas del da: a) 8 AM, b) 2 PM, c) 8 PM, d) medianoche. Datos promediados a
2-65
a)
b)
c)
d)
Figura 2-70 Concentraciones horarias de NO2 (g/m ) para las siguientes horas del da: a) 8 AM, b) 2 PM, c) 8 PM, d) medianoche. Datos promediados a
2-66
a)
b)
c)
d)
Figura 2-71 Concentraciones horarias de CO (g/m ) para las siguientes horas del da: a) 8 AM, b) 2 PM, c) 8 PM, d) medianoche. Datos promediados a
2-67
2.3
Estimacin del rea de Influencia del COSAC I.
Las secciones 2.2.1 y 2.2.2 han mostrado que las simulaciones de la lnea base de
emisiones del transporte (sin COSAC) son confiables para fines de estimar impactos
mensuales en la calidad del aire asociados al transporte, al igual que para estimar
los mximos impactos en horas de alto trfico vehicular (matinal y vespertino). Es
decir, hay una consistencia entre la modelacin y su informacin de entrada. En
particular el inventario del transporte para toda la zona metropolitana de Lima Callao,
el cual se presenta en detalle en el Captulo 8 de este Informe Final, se considera
confiable y consistente con las simulaciones de dispersin desarrolladas en este
Captulo.
Para estimar el rea de influencia se hizo el siguiente clculo:
a) Se estimaron las emisiones en los arcos del transporte ms intervenidos por
la implementacin del COSAC, a partir de informacin proporcionada por
Protransporte. El Captulo 9 entrega en detalle los supuestos realizados para
hacer dicho clculo.
b) Se combinaron dichas emisiones con el resto de los arcos del transporte para
obtener estimaciones de emisiones para toda la ciudad (es decir,
establecindose la situacin con COSAC).
c) Se modelaron promedios mensuales de estos nuevos impactos, empleando
dos meses del ao (febrero y agosto) para fines de verificar la mayor o menor
relevancia de la estacionalidad meteorolgica en la zona metropolitana. La
metodologa ya se ha mostrado en la seccin 2.2.2 para describir la lnea
base sin COSAC.
d) Se calcularon los mapas de dispersin de contaminantes y se hizo la
diferencia: concentracin lnea base concentracin con COSAC para cada
celda del dominio modelado, producindose mapas de las diferencias de
concentracin esperadas para cada contaminante modelado. La manera en
que se definen dichas diferencias permite apreciar directamente los beneficios
en calidad del aire asociados a la implementacin del COSAC I.
A continuacin se entregan los resultados en forma de mapas con los lmites de
distritos y el retculo (grilla) empleada en la modelacin de dispersin, para facilitar la
visualizacin de resultados y delimitar claramente cul es el rea de influencia del
COSAC I; en los mapas se ha aadido el trazado del COSAC I para facilitar la
interpretacin de los resultados. Adems se ha trazado en color rojo una poligonal
que incluye toda el rea impactada por el COSAC I, para cada contaminante
analizado. Se presentan los resultados para contaminantes gaseosos y material
particulado por separado.
2-68
2.3.1 Caso de los gases: CO, NOx y SO2.

2.3.1.1 Caso del monxido de carbono (CO).
El rea de influencia se extiende desde los distritos de Carabayllo y Puente de

Piedra por el norte hasta el distrito de Chorrillos en el sur (ver figura 2-72); se han
descartado al este y oeste unas zonas con cambios pequeos de concentracin,
cercanos a cero. Hay muy pocas variaciones en los lmites del rea de influencia en
los meses de febrero y agosto, los que se detallan a continuacin.
Al analizar en detalle el rea de influencia para el mes de febrero, se aprecia que se
produce un impacto negativo (es decir aumento de concentraciones) en la zona de
los alimentadores del Corredor Norte, este impacto se produce al sur del distrito de
Carabayllo y al norte del distrito de Comas. Por contraste, en el distrito de Puente de
Piedra hay una reduccin de concentracin de CO. Desde ah hacia el sur se
produce un impacto positivo en los distritos Comas (sur), Los Olivos, Independencia,
San Martn de Porre, Rmac, Lima, Brena y La Victoria, hasta llegar a los distritos de
Lince, San Isidro, Surquillo, y al norte de Miraflores donde nuevamente se produce
un aumento en las concentraciones de CO. Posteriormente en la zona sur del distrito
de Miraflores, en Barranco, en el limite oeste del distrito de Santiago de Surco y el
limite norte de Chorrillos existe una nueva zona de impacto positivo. Finalmente al
sur de Chorrillos existe un pequeo impacto negativo en la zona de los
alimentadores del tramo 2 del Corredor Sur. El punto de mayor variacin de
concentraciones corresponde al centro de Lima (Distritos de Lima y Brena) donde
existe una disminucin simulada de hasta 90 g/m3.
En el caso de las condiciones meteorolgicas de agosto, el rea de influencia no ha
cambiado significativamente, excepto en el sector de Chorrillos, donde el impacto
causado por los alimentadores es de menor extensin hacia el oeste que en el caso
del mes de febrero. Las mayores reducciones de impactos se siguen presentando en
el centro de Lima (Distritos de Lima y Brena) alcanzando hasta 90 g/m3.
2-69
Figura 2-72. rea de influencia del COSAC I para impactos por monxido de carbono (CO, en g/m ).
Panel superior: febrero, panel inferior: agosto.
3
2-70
2.3.1.2 Caso de los xidos de nitrgeno (NOx).
La figura 2-73 muestra el rea de influencia para xidos de nitrgeno

(NOx=NO+NO2) para los promedios mensuales de febrero y agosto. En este caso el
rea de influencia presenta diferencias con respecto al CO, dado que la introduccin
del COSAC I promueve cambios de emisiones ms importantes para los NOx que
para el CO, debido a que el cambio tecnolgico se produce en motores diesel.
Partiendo por el extremo norte del dominio modelado, se produce un impacto
negativo (es decir aumento de concentraciones) en la zona de los alimentadores del
norte, este impacto se produce solamente en el extremo sur del distrito de
Carabayllo. Luego, en todo el distrito de Puente de Piedra y gran parte del distrito de
Comas hay reduccin de concentraciones. Desde ah hacia el sur se produce un
impacto positivo en los distritos Independencia, San Martn de Porres y Rmac. A
continuacin hay una zona de incrementos de concentraciones en los distritos de
Lima y Brena. Luego se presentan reducciones de concentraciones en los distritos
La Victoria y el norte de Lince. A continuacin se presentan incrementos de
concentraciones en los distritos de Lince (parte sur), San Isidro, Surquillo, y el norte
de Miraflores. Finalmente se produce una reduccin de concentraciones en la zona
sur del distrito de Miraflores, en Barranco, Santiago de Surco y el norte de Chorrillos.
Finalmente al sur de Chorrillos existe un pequeo impacto negativo en la zona de los
alimentadores. El punto de mayor cambio de concentraciones corresponde a la zona
sur del distrito de Independencia y zona norte del distrito de Rmac con reducciones
de hasta 18 g/m3.
2.3.1.3 Caso del anhdrido sulfuroso (SO2)
En la figura 2-74 se presentan los resultados para las estimaciones del rea de
influencia asociada a cambios en concentraciones de SO2. Dado que este
contaminante no est siendo adecuadamente simulado por el modelo ISC3, no
vamos a discutir en forma cuantitativa en los resultados de este caso, slo
mencionamos que la forma de la zona de influencia es semejante a la determinada
para el caso de los xidos de nitrgeno.
2-71
Figura 2-73 rea de influencia del COSAC I para impactos por xidos de nitrgeno (NOx, en g/m ).
Panel superior: febrero, panel inferior: agosto.
3
2-72
Figura 2-74 Area de influencia del COSAC I para impactos por dixido de azufre
(SO2, en g/m3). Panel superior: febrero, panel inferior: agosto.
2-73
2.3.2 Caso del material particulado: PTS, PM10 y PM2.5
En esta seccin se presentan los resultados de la determinacin del rea de

influencia asociada a la dispersin de material particulado. Las partculas se
dispersan de una manera diferente a los gases, ya que ellas presentan en general
mayores velocidades de depositacin sobre el suelo que las especies gaseosas.
2.3.2.1 Caso de las partculas totales en suspensin (PTS)
En el sector transporte, estas emisiones corresponden esencialmente a polvo de

calles resuspendido por el paso de los vehculos. Los vehculos ms grandes son
capaces de levantar mayor cantidad de partculas por km recorrido que los vehculos
ligeros, ya que aquellos poseen ms ejes y ruedas en contacto con la superficie de
la calle y ejercen adems un mayor efecto aerodinmico por tener mayores
dimensiones. Por otra parte, en una va muy congestionada, paradjicamente los
vehculos emiten menos polvo resuspendido que en calles poco congestionadas,
sobre la base de km recorridos. Esto se debe a que el material particulado que
levantan los vehculos sedimenta nuevamente sobre la calle, y se requiere un cierto
tiempo para que la calle se recargue con partculas nuevamente. Esta recarga de
partculas es ms eficiente en calles poco congestionadas que en calles
congestionadas, lo cual explica dicha paradoja.
La siguiente figura 2-75 entrega los resultados para los meses de febrero y agosto, y
se puede apreciar que, al contrario que los gases, en el rea de influencia se
aprecian tanto aumentos como disminuciones de las concentraciones de PTS. Esto
se debe a que la racionalizacin de rutas inducida por la implementacin del COSAC
I hace que algunas calles tengan menos congestin y que por lo tanto se produzca
una mayor resuspensin del polvo de calles all (caso de los alimentadores),
mientras que en otras la reduccin del nmero de vehculos circulando por el
corredor es el factor ms importante y se producen reducciones netas de emisiones,
como es el caso del Centro Histrico y Lima Norte. Este es un efecto no lineal
asociado a la naturaleza del mecanismo de resuspensin del polvo de calles; los
valores numricos estn sujetos a la incertidumbre que tienen estas estimaciones de
emisiones, sobre todo porque dependen de parmetros locales tales como la
cantidad de polvo que est depositado sobre las calles y tambin dependen
fuertemente de variables meteorolgicas tales como la humedad ambiental, por
ejemplo.
El rea de influencia comienza en el norte del rea metropolitana, en los distritos de
Carabayllo y Comas, donde se aprecian aumentos de concentraciones en la zona de
alimentadores. Luego hay reducciones de concentraciones en los distritos de Los
Olivos, el sur-este de San Martn de Porres y el sector norte de Rmac; a
continuacin se aprecian aumentos de concentraciones en Lima, sur de Rmac y
norte de La Victoria, seguidos por reducciones de concentraciones en Lince y sur La
Victoria. Ms al sur se aprecian aumentos de concentraciones en los distritos de San
Isidro, San Borja, Surquillo, Miraflores, Santiago de Surco y Chorrilos. Notar adems
que los mximos cambios en concentraciones son de alrededor de 6 (g/m3), pero
stos se manifiestan slo en zonas muy localizadas (pequeas reas) en Lima y La
Victoria.
2-74
Figura 2-75 Area de influencia del COSAC I para impactos por partculas totales en
suspensin (PTS, en g/m3). Panel superior: febrero, panel inferior: agosto.
2-75
2.3.2.2 Caso de las partculas en suspensin bajo 10 micras (PM10).
En este caso los resultados de la figura 2-76 muestran que en gran parte del rea de
influencia hay mejoras (reducciones) en las concentraciones ambientales de PM10.
Esto se debe esencialmente a la mejora en la racionalizacin de rutas as como en
la introduccin de estndares de emisin ms exigentes que los de la lnea base. No
hay semejanza con los resultados ya discutidos del PTS, ya que la mayora de las
emisiones de polvo de calles (que dominan las emisiones de PTS) corresponden a
partculas mayores a 10 micras de tamao, y esto explica la diferencia notoria de
patrones de dispersin entre el PM10 y el PTS.
Los beneficios en calidad del aire comienzan en todo el distrito de Puente Piedra y el
sector sur-este de Carabayllo (valores entre 0.5 y 1.5 g/m3). Luego hay una zona
que incluye Comas, Independencia, Los Olivos y San Martn de Porres (valores
entre 1 y 5 g/m3). Luego hay un sector con mximos beneficios en el sur-este de
San Martn de Porres, sur de Independencia y Rmac (valores entre 3 y 5 g/m3).
Luego hay una zona de menores beneficios en Lima y La Victoria (valores entre 0.5
y 3 g/m3). Luego hay una zona sin cambios netos o con leve incremento de
concentraciones en los distritos Lince, San Isidro, San Borja, Surquillo y Miraflores
(valores entre 0 y 1 g/m3). Posteriormente hay una zona que comprende el sur de
Miraflores y Santiago de Surco, Barranco y el norte de Chorrillos con beneficios
modestos en calidad del aire (valores entre 0.5 y 1.5 g/m3). Finalmente en el
extremo sur del corredor (alimentadores), sector sur de Chorrilos se aprecian leves
aumentos de concentraciones (valores entre 0 y 1 g/m3).
El sector de mayores cambios (beneficios en este caso) est entre las coordenadas
275 y 279 km UTM Este y las coordenadas 8669 y 8675 km UTM Norte, con valores
entre 4 y 6 g/m3.
2.3.2.3 Caso del material particulado fino (PM2.5).
Aqu los patrones de dispersin son similares a los del PM10, puesto que la mayor
parte del rea de influencia muestra beneficios en calidad del aire. Sin embargo, los
valores de las reducciones de concentraciones son inferiores a los encontrados para
el PM10.
Hay beneficios en todo el distrito de Puente Piedra y el sector sur-este de Carabayllo
(valores entre 0.2 y 0.6 g/m3). Luego hay una zona que incluye Comas, norte de
Independencia y Los Olivos (valores entre 0.6 y 1.2 g/m3). Luego hay un sector
con mximos beneficios en el sur-este de San Martn de Porres, sur de
Independencia y Rmac (valores entre 1.2 y 2 g/m3). Luego hay una zona de
menores beneficios en Lima este y La Victoria (valores entre 0.2 y 0.6 g/m3). Luego
hay una zona sin cambios netos o con leve incremento de concentraciones en los
distritos Lince, San Isidro, y norte de Miraflores (valores entre -0.6 y 0 g/m3).
Posteriormente hay una zona que comprende el sur de Miraflores y Santiago de
Surco, Barranco y el norte de Chorrillos con beneficios modestos en calidad del aire
(valores entre 0.2 y 0.8 g/m3). Finalmente en el extremo sur del corredor
(alimentadores), sector sur de Chorrilos no se aprecian cambios significativos de las
concentraciones (ver figura 2-77).
2-76
Figura 2-76 Area de influencia del COSAC I para impactos por partculas menores a
10 micras (PM10, en g/m3). Panel superior: febrero, panel inferior: agosto.
2-77
Figura 2-77 rea de influencia del COSAC I para impactos por partculas menores a
2.5 micras (PM2.5, en g/m3). Panel superior: febrero, panel inferior: agosto.
2-78
2.3.3 Conclusiones respecto al rea de influencia.
Los resultados presentados en esta seccin han permitido delinear con mayor
precisin espacial la zona ms impactada por las emisiones atmosfricas asociadas
al COSAC I, zona que corresponde a la definicin de rea de influencia. Para
cumplir con este objetivo se ha utilizado la herramienta de modelacin ISC3, la cual
ha permitido simular la dispersin de las emisiones del transporte en dos escenarios
diferentes: sin COSAC I (lnea base ambiental) y con COSAC I. Para el segundo
escenario se han considerado todos los arcos de trfico que seran impactados por
la implementacin del COSAC I, por lo cual la estimacin desarrollada en este
Captulo ha considerado tanto el rea de influencia directa (por cambio de nivel de
actividad y emisiones de los buses) como el rea de influencia indirecta (asociada a
redistribucin de flujos del transporte privado y de carga), es decir, se construye una
envolvente del proyecto que describe la extensin espacial que tendrn los
impactos causados en calidad del aire debido a la implementacin del COSAC I.
Hay que tener presente que, dadas las restricciones asociadas a las hiptesis
implcitas en los modelos Gaussianos como el ISC3, las estimaciones de reas de
influencia se han realizado para los promedios mensuales de concentraciones
simuladas por el modelo de dispersin ISC3. Se comprob adems que las
predicciones mensuales hechas por este modelo son consistentes con el monitoreo
ambiental existente en Lima Callao, particularmente para los contaminantes PM2.5 y
PM10, los que estn asociados a los mayores daos a la salud pblica. Por ejemplo,
ver las figuras 2-58 y 2-59 que muestran la consistencia de la modelacin de
dispersin, los inventarios de emisiones y el monitoreo de calidad del aire hechos en
este estudio.
Es decir, el modelo sirve para representar los cambios en concentraciones
ambientales causados por cambios en emisiones de contaminantes atmosfricos
emitidos por el transporte en la zona metropolitana de Lima Callao. Adems se ha
constatado que hay poca variabilidad a lo largo del ao en las concentraciones
simuladas por el modelo, lo cual indica que los resultados obtenidos en esta seccin
2.3 son representativos de los promedios anuales o de largo plazo. Es decir, los
resultados ac obtenidos representan estimaciones de los cambios permanentes en
la calidad del aire que se harn efectivos una vez implementado el COSAC I. Estos
valores son relevantes ya que permiten estimar beneficios en salud pblica.
A continuacin se enumeran los principales resultados obtenidos:
a) En primer lugar, est claro que hay poca estacionalidad en los resultados, es
decir, dicha rea de influencia no cambia mucho con la poca del ao,
excepto en su extensin ms all del extremo norte del corredor, la cual es
ms marcada en verano que en invierno (10 y 5 km al norte,
respectivamente). El rea de influencia es asimtrica, extendindose ms
hacia el norte del COSAC I que hacia el sur, debido a las caractersticas de
los vientos predominantes en la zona urbana. Los principales beneficios para
el caso del material particulado se constatan para la zona del Corredor Norte,
seguido en importancia por el Corredor Centro Histrico.
2-79
b) En el sector de los alimentadores del Corredor Sur, no se aprecian cambios

significativos en impactos all, lo que est asociado a pocos cambios en
emisiones del transporte en dichas vas. Este es un aspecto que conviene
revisar a futuro, ya que se podran implementar mayores cambios
tecnolgicos en los alimentadores tambin, incrementando el rea de
beneficios (reducciones de concentraciones ambientales) en dicha zona. En
el caso del extremo norte del corredor, los cambios que se aprecian en la
zona de alimentadores se deben ms al transporte de emisiones desde el
centro y norte de la ciudad que a aspectos de cambio tecnolgico en la flota
pblica all.
c) Un resultado particular que se obtuvo fue el de los cambios en
concentraciones ambientales de PTS, los cuales estn dominados por la
cantidad de polvo de calles que se resuspende debido al paso de los
vehculos. Dada la relacin compleja entre tamao de los vehculos,
frecuencia y congestin de las calles, se obtuvo ms incrementos que
reducciones de concentraciones para el PTS.
d) Sin embargo, para los contaminantes ms asociados con efectos en la salud
de la poblacin (PM10, PM2.5), los resultados son alentadores, ya que se
obtienen reducciones significativas de ambas fracciones de partculas en
suspensin, y ellas se extienden por gran parte del rea de influencia del
COSAC I, exceptundose el caso ya mencionado del Corredor Sur del
COSAC I (zona de los alimentadores).
e) Los resultados obtenidos tambin respaldan la ubicacin de tres de las cuatro
estaciones continuas de monitoreo ambiental a lo largo del corredor:
Pantanos de Villa, Centro Histrico y Corredor Norte, ubicaciones que se
recomienda mantener para el seguimiento ambiental del proyecto. A la luz de
los resultados presentados en esta seccin, dichos puntos cubren
adecuadamente el rea de influencia delimitada en el presente Estudio.
Adems, el monitoreo realizado en este Estudio aporta una lnea base para
futuras comparaciones de calidad del aire.
f) Se han producido mapas de reas de influencia para cada contaminante
considerado en la lnea base del COSAC I. Las figuras 2-72 a 2-77 entregan
mapas con delimitaciones geogrficas precisas (en coordenadas UTM) de
cada una de esas reas de influencia.
Los antecedentes presentados en este Captulo nos llevan a sostener que se ha
cumplido uno de los objetivos clave del Estudio: disponer de una estimacin de la
extensin espacial del rea de influencia asociada al COSAC I.
2-80
INDICE
2
ESTIMACIN DEL REA DE INFLUENCIA EN CALIDAD DEL AIRE...................................... 2-1

2.1
MODELO DE DISPERSIN ATMOSFRICA PARA LIMA CALLAO........................................ 2-2
2.1.1
Dominio y geomorfologa............................................................................................................. 2-3
2.1.2
Anlisis y procesamiento de la informacin meteorolgica......................................................... 2-7
2.1.2.1
2.1.2.2
2.1.2.3
2.1.2.4
2.1.2.5
Fuentes de Informacin meteorolgica............................................................................................... 2-7

Procesamiento de la Informacin meteorolgica en altura ................................................................. 2-7
Procesamiento de la Informacin meteorolgica superficial .............................................................. 2-8
Caractersticas del viento.................................................................................................................. 2-10
Caractersticas de la estabilidad atmosfrica. ................................................................................... 2-13
2.1.3
Incorporacin de las emisiones del transporte .......................................................................... 2-15
2.2
RESULTADOS DE LA MODELACIN DE LA DISPERSIN DE EMISIONES DEL TRANSPORTE................... 2-18
2.2.1
Lnea base del transporte: comparacin de promedios mensuales............................................ 2-18
2.2.1.1
2.2.1.2
2.2.1.3
2.2.1.4
2.2.1.5
2.2.1.6
2.2.2
Lnea base del transporte: comparacin de perfiles diarios...................................................... 2-35
2.2.2.1
2.2.2.2
2.2.2.3
2.2.2.4
2.2.2.5
2.2.2.6
2.2.3
Material particulado fino PM2.5 ........................................................................................................ 2-19

Partculas totales en suspensin, PTS............................................................................................... 2-22
Anhdrido sulfrico SO2 ................................................................................................................... 2-24
Dixido de Nitrgeno NO2 ............................................................................................................... 2-29
Conclusiones de la lnea base simulada, promedios mensuales (situacin sin COSAC I)................ 2-32
Discusin especfica relativa al monitoreo mensual de PM2.5 en Lima Callao ................................. 2-33
Material particulado fino PM2.5 ........................................................................................................ 2-36
El material particulado respirable PM10............................................................................................ 2-38
Anhdrido sulfrico SO2 ................................................................................................................... 2-40
Dixido de Nitrgeno NO2 ............................................................................................................... 2-42
Monxido de Carbono, CO .............................................................................................................. 2-44
Conclusiones respecto a las comparaciones de perfiles diarios de contaminacin. .......................... 2-47
Lnea base del transporte: dispersin espacial de los contaminantes. ...................................... 2-52
2.2.3.1
2.2.3.2
Comparacin de promedios mensuales............................................................................................. 2-52

Comparacin de la dispersin para distintas horas del da. .............................................................. 2-60
2.3
ESTIMACIN DEL REA DE INFLUENCIA DEL COSAC I. .................................................................. 2-68
2.3.1
Caso de los gases: CO, NOx y SO2. ........................................................................................... 2-69
2.3.1.1
2.3.1.2
2.3.1.3
2.3.2
Caso del material particulado: PTS, PM10 y PM2.5................................................................. 2-74
2.3.2.1
2.3.2.2
2.3.2.3
2.3.3
Caso del monxido de carbono (CO). .............................................................................................. 2-69

Caso de los xidos de nitrgeno (NOx)............................................................................................ 2-71
Caso del anhdrido sulfuroso (SO2) .................................................................................................. 2-71
Caso de las partculas totales en suspensin (PTS)........................................................................... 2-74
Caso de las partculas en suspensin bajo 10 micras (PM10). ........................................................... 2-76
Caso del material particulado fino (PM2.5). ...................................................................................... 2-76
Conclusiones respecto al rea de influencia.............................................................................. 2-79
INDICE DE TABLAS
TABLA 2-1. CLASES DE ESTABILIDAD ATMOSFRICA. .......................................................................................... 2-9
TABLA 2-2 NIVELES DE PM10 DE 24 HORAS ASOCIADOS A DIFERENTES CONTINGENCIAS EN SANTIAGO, CHILE.2-33
2-81
INDICE DE FIGURAS
FIGURA 2-1. ENFOQUE METODOLGICO PARA LA MODELACIN DE LA DISPERSIN ............................................ 2-1
FIGURA 2-2. PROCESAMIENTO INFORMACIN GEOGRFICA.................................................................................. 2-4
FIGURA 2-3. DOMINIO DE MODELACIN CON DESPLIEGUE DE DISTRITOS Y RED VIAL ........................................... 2-5
FIGURA 2-4. DOMINIO DE MODELACIN CON DESPLIEGUE DE ALTURAS DE TERRENO. .......................................... 2-5
FIGURA 2-5. DOMINIO DE MODELACIN CON DESPLIEGUE DE LMITES GEOGRFICOS DE LOS DISTRITOS DE LIMA. 26
FIGURA 2-6. DOMINIO DE MODELACIN CON DESPLIEGUE DE ALTURAS DE TERRENO Y RED VIAL. ....................... 2-6
FIGURA 2-7. ROSA DE LOS VIENTOS AO 2004, MUESTRA EL ORIGEN DE LOS VIENTOS. ...................................... 2-11
FIGURA 2-8. CARACTERIZACIN CLASES DE ESTABILIDAD CON DIRECCIN DEL VIENTO AO 2004, MUESTRA EL
ORIGEN DE LOS VIENTOS............................................................................................................................ 2-12
FIGURA 2-9. CLASES DE VIENTOS Y ESTABILIDADES A LO LARGO DEL AO 2004................................................ 2-13
FIGURA 2-10. CLASES DE VIENTOS Y ESTABILIDADES VERANO DEL AO 2004.................................................... 2-14
FIGURA 2-11. CLASES DE VIENTOS Y ESTABILIDADES INVIERNO DEL AO 2004 ................................................. 2-15
FIGURA 2-12. IMPORTACIN DE EMISIONES A ISC3 CON ISCVIEW ..................................................................... 2-17
FIGURA 2-13 UBICACIN CELDAS DE EMISIN EN EL DOMINIO DE MODELACIN ................................................ 2-17
FIGURA 2-14. COMPARACIN DE PROMEDIOS MENSUALES DE PM2.5 EN LA ESTACIN LIMA CENTRO HISTRICO. 220
FIGURA 2-15. COMPARACIN DE PROMEDIOS MENSUALES DE PM2.5 EN LA ESTACIN CALLAO. ....................... 2-20
FIGURA 2-16. COMPARACIN DE PROMEDIOS MENSUALES DE PM2.5 EN LA ESTACIN LIMA NORTE................. 2-20
FIGURA 2-17. COMPARACIN DE PROMEDIOS MENSUALES DE PM2.5 EN LA ESTACIN LIMA ESTE. ................... 2-21
FIGURA 2-18. COMPARACIN DE PROMEDIOS MENSUALES DE PM2.5 EN LA ESTACIN LIMA SUR. PARA EL CASO
DEL MONITOREO CONTINUO REALIZADO EN ESTE ESTUDIO, FEBRERO Y MARZO CORRESPONDEN A
MEDICIONES EN PANTANOS DE VILLA Y MIRAFLORES, RESPECTIVAMENTE............................................... 2-21
FIGURA 2-19. COMPARACIN DE PROMEDIOS MENSUALES DE PTS EN LA ESTACIN LIMA CENTRO HISTRICO. 2-22
FIGURA 2-20. COMPARACIN DE PROMEDIOS MENSUALES DE PTS EN LA ESTACIN CALLAO............................ 2-22
FIGURA 2-21. COMPARACIN DE PROMEDIOS MENSUALES DE PTS EN LA ESTACIN LIMA NORTE.................... 2-23
FIGURA 2-22. COMPARACIN DE PROMEDIOS MENSUALES DE PTS EN LA ESTACIN LIMA ESTE........................ 2-23
FIGURA 2-23. COMPARACIN DE PROMEDIOS MENSUALES DE PTS EN LA ESTACIN SUR................................... 2-23
FIGURA 2-24 DISTRIBUCIN ESPACIAL DE FUENTES INDUSTRIALES EN LA ZONA METROPOLITANA DE LIMA
CALLAO. FUENTE: ESTUDIO CARACTERIZACIN DEL SECTOR INDUSTRIAL DE LIMA METROPOLITANA,
DESARROLLADO POR GENIVAR/IMP/MML/ACDI (2002). ...................................................................... 2-25
FIGURA 2-25. COMPARACIN DE PROMEDIOS MENSUALES DE SO2 EN LA ESTACIN CENTRO HISTRICO. ......... 2-26
FIGURA 2-26. COMPARACIN DE PROMEDIOS MENSUALES DE SO2 EN LA ESTACIN CALLAO. ........................... 2-27
FIGURA 2-27. COMPARACIN DE PROMEDIOS MENSUALES DE SO2 EN LA ESTACIN LIMA NORTE. .................... 2-27
FIGURA 2-28. COMPARACIN DE PROMEDIOS MENSUALES DE SO2 EN LA ESTACIN LIMA ESTE. ....................... 2-27
FIGURA 2-29. COMPARACIN DE PROMEDIOS MENSUALES DE SO2 EN LA ESTACIN LIMA SUR.......................... 2-28
FIGURA 2-30. COMPARACIN DE PROMEDIOS MENSUALES DE NO2 EN LA ESTACIN LIMA CENTRO. ................. 2-30
FIGURA 2-31. COMPARACIN DE PROMEDIOS MENSUALES DE NO2 EN LA ESTACIN CALLAO........................... 2-30
FIGURA 2-32. COMPARACIN DE PROMEDIOS MENSUALES DE NO2 EN LA ESTACIN LIMA NORTE..................... 2-31
FIGURA 2-33. COMPARACIN DE PROMEDIOS MENSUALES DE NO2 EN LA ESTACIN LIMA ESTE........................ 2-31
FIGURA 2-34 COMPARACIN DE PROMEDIOS MENSUALES DE NO2 EN LA ESTACIN LIMA SUR. ......................... 2-32
FIGURA 2-35. COMPARACIN DE LOS NIVELES ANUALES DE PM2.5 (EN ROJO) Y SU CORRELACIN CON LOS EVENTOS
DE EXCEDENCIAS DE CONCENTRACIONES AMBIENTALES DE PM10 (24 HORAS) EN SANTIAGO DE CHILE
(NMEROS ENCIMA DE LAS BARRAS). ........................................................................................................ 2-34
FIGURA 2-36. UBICACIN ESTACIONES CAMPAA DE MONITOREO CONTINUO, INGRESADAS AL SISTEMA AIRVIRO.235
FIGURA 2-37 COMPARACIN DE CICLOS DIARIOS DE PM2.5 EN LA ESTACIN CENTRO HISTRICO...................... 2-36
FIGURA 2-38 COMPARACIN DE CICLOS DIARIOS DE PM2.5 EN LA ESTACIN CENTRO NORTE. ........................... 2-37
FIGURA 2-39 COMPARACIN DE CICLOS DIARIOS DE PM2.5 EN LA ESTACIN MIRAFLORES................................. 2-37
FIGURA 2-40 COMPARACIN DE CICLOS DIARIOS DE PM2.5 EN LA ESTACIN PANTANO. ................................... 2-38
FIGURA 2-41 COMPARACIN DE CICLOS DIARIOS DE PM10 EN LA ESTACIN CENTRO HISTRICO....................... 2-39
FIGURA 2-42 COMPARACIN DE CICLOS DIARIOS DE PM10 EN LA ESTACIN NORTE........................................... 2-39
FIGURA 2-43 COMPARACIN DE CICLOS DIARIOS DE PM10 EN LA ESTACIN MIRAFLORES. ................................ 2-39
FIGURA 2-44 COMPARACIN DE CICLOS DIARIOS DE PM10 EN LA ESTACIN PANTANOS. ................................... 2-40
FIGURA 2-45 COMPARACIN DE CICLOS DIARIOS DE SO2 EN LA ESTACIN CENTRO HISTRICO. ....................... 2-41
FIGURA 2-46 COMPARACIN DE CICLOS DIARIOS DE SO2 EN LA ESTACIN NORTE............................................. 2-41
FIGURA 2-47 COMPARACIN DE CICLOS DIARIOS DE SO2 EN LA ESTACIN MIRAFLORES. .................................. 2-41
FIGURA 2-48 COMPARACIN DE CICLOS DIARIOS DE SO2 EN LA ESTACIN PANTANO. ....................................... 2-42
2-82
FIGURA 2-49 COMPARACIN DE CICLOS DIARIOS DE NO2 EN LA ESTACIN CENTRO HISTRICO........................ 2-43
FIGURA 2-50 COMPARACIN DE CICLOS DIARIOS DE NO2 EN LA ESTACIN NORTE. ........................................... 2-43
FIGURA 2-51 COMPARACIN DE CICLOS DIARIOS DE NO2 EN LA ESTACIN MIRAFLORES. ................................. 2-43
FIGURA 2-52 COMPARACIN DE CICLOS DIARIOS DE NO2 EN LA ESTACIN PANTANO........................................ 2-44
FIGURA 2-53 COMPARACIN DE CICLOS DIARIOS DE CO EN LA ESTACIN CENTRO HISTRICO. ........................ 2-44
FIGURA 2-54 COMPARACIN DE CICLOS DIARIOS DE CO EN LA ESTACIN NORTE.............................................. 2-45
FIGURA 2-55 COMPARACIN DE CICLOS DIARIOS DE CO EN LA ESTACIN MIRAFLORES. ................................... 2-45
FIGURA 2-56 COMPARACIN DE CICLOS DIARIOS DE CO EN LA ESTACIN PANTANOS. ...................................... 2-46
FIGURA 2-57 PERFIL DIARIO DE CONCENTRACIONES DE CO MEDIDAS EN LA ESTACIN UBICADA EN LA SEDE
CENTRAL DEL SENAMHI, PARA EL MES DE FEBRERO DEL 2004............................................................... 2-46
FIGURA 2-58. ESTIMACIN DEL IMPACTO DE PM2.5 COMBINANDO LAS PREDICCIONES DEL MODELO ISC3 CON
DATOS DE BACKGROUND TOMADOS DE LA ESTACIN PANTANOS DE VILLA (MONITOREO CONTINUO
REALIZADO EN ESTE ESTUDIO). ................................................................................................................. 2-49
FIGURA 2-59 ESTIMACIN DEL IMPACTO DE PM10 COMBINANDO LAS PREDICCIONES DEL MODELO ISC3 CON DATOS
DE BACKGROUND TOMADOS DE LA ESTACIN PANTANOS DE VILLA (MONITOREO CONTINUO REALIZADO EN
ESTE ESTUDIO). ......................................................................................................................................... 2-50
FIGURA 2-60. PROMEDIOS MENSUALES DE PM2.5 (G/M3) PARA FEBRERO (PANEL SUPERIOR) Y AGOSTO (PANEL
INFERIOR), CASO LNEA BASE, SLO SE MODELA SECTOR TRANSPORTE. .................................................... 2-53
FIGURA 2-61. PROMEDIOS MENSUALES DE PM10 (G/M3) PARA FEBRERO (PANEL SUPERIOR) Y AGOSTO (PANEL
FIGURA 2-62. PROMEDIOS MENSUALES DE PTS (G/M3) PARA FEBRERO (PANEL SUPERIOR) Y AGOSTO (PANEL
FIGURA 2-63. PROMEDIOS MENSUALES DE SO2 (G/M3) PARA FEBRERO (PANEL SUPERIOR) Y AGOSTO (PANEL
FIGURA 2-64. PROMEDIOS MENSUALES DE NOX (G/M3) PARA FEBRERO (PANEL SUPERIOR) Y AGOSTO (PANEL
FIGURA 2-65. PROMEDIOS MENSUALES DE CO (G/M3) PARA FEBRERO (PANEL SUPERIOR) Y AGOSTO (PANEL
FIGURA 2-66 CONCENTRACIONES HORARIAS DE PM2.5 (G/M3) PARA LAS SIGUIENTES HORAS DEL DA: A) 8 AM, B)
2 PM, C) 8 PM, D) MEDIANOCHE. DATOS PROMEDIADOS A PARTIR DE UN MES DE SIMULACIN (FEBRERO).
EMISIONES DE LNEA BASE DEL TRANSPORTE (SIN COSAC). .................................................................... 2-61
FIGURA 2-67 CONCENTRACIONES HORARIAS DE PM10 (G/M3) PARA LAS SIGUIENTES HORAS DEL DA: A) 8 AM, B)
2 PM, C) 8 PM, D) MEDIANOCHE. DATOS PROMEDIADOS A PARTIR DE UN MES DE SIMULACIN (FEBRERO).
FIGURA 2-68 CONCENTRACIONES HORARIAS DE PTS (G/M3) PARA LAS SIGUIENTES HORAS DEL DA: A) 8 AM, B) 2
PM, C) 8 PM, D) MEDIANOCHE. DATOS PROMEDIADOS A PARTIR DE UN MES DE SIMULACIN (FEBRERO).
FIGURA 2-69 CONCENTRACIONES HORARIAS DE SO2 (G/M3) PARA LAS SIGUIENTES HORAS DEL DA: A) 8 AM, B) 2
FIGURA 2-70 CONCENTRACIONES HORARIAS DE NO2 (G/M3) PARA LAS SIGUIENTES HORAS DEL DA: A) 8 AM, B) 2
FIGURA 2-71 CONCENTRACIONES HORARIAS DE CO (G/M3) PARA LAS SIGUIENTES HORAS DEL DA: A) 8 AM, B) 2
FIGURA 2-72. REA DE INFLUENCIA DEL COSAC I PARA IMPACTOS POR MONXIDO DE CARBONO (CO, EN G/M3).
PANEL SUPERIOR: FEBRERO, PANEL INFERIOR: AGOSTO............................................................................. 2-70
FIGURA 2-73 REA DE INFLUENCIA DEL COSAC I PARA IMPACTOS POR XIDOS DE NITRGENO (NOX, EN G/M3).
PANEL SUPERIOR: FEBRERO, PANEL INFERIOR: AGOSTO............................................................................. 2-72
3
FIGURA 2-74 AREA DE INFLUENCIA DEL COSAC I PARA IMPACTOS POR DIXIDO DE AZUFRE (SO2, EN G/M ).
PANEL SUPERIOR: FEBRERO, PANEL INFERIOR: AGOSTO. ....................................................................... 2-73
FIGURA 2-75 AREA DE INFLUENCIA DEL COSAC I PARA IMPACTOS POR PARTCULAS TOTALES EN SUSPENSIN
3
(PTS, EN G/M ). PANEL SUPERIOR: FEBRERO, PANEL INFERIOR: AGOSTO. ......................................... 2-75
FIGURA 2-76 AREA DE INFLUENCIA DEL COSAC I PARA IMPACTOS POR PARTCULAS MENORES A 10 MICRAS
3
(PM10, EN G/M ). PANEL SUPERIOR: FEBRERO, PANEL INFERIOR: AGOSTO. ........................................ 2-77
FIGURA 2-77 REA DE INFLUENCIA DEL COSAC I PARA IMPACTOS POR PARTCULAS MENORES A 2.5 MICRAS
3
(PM2.5, EN G/M ). PANEL SUPERIOR: FEBRERO, PANEL INFERIOR: AGOSTO......................................... 2-78
2-83
2-84

Capitulo 2

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Capitulo 2

Caricato da

Copyright:

Formati disponibili

2 Estimacin del rea de Influencia en Calidad del Aire.

Este captulo se centra en la determinacin del rea de Influencia del COSAC I; en

Figura 2-1. Enfoque Metodolgico para la Modelacin de la Dispersin

Estudio de Lnea Base Ambiental COSAC I

Se aprecia que el esquema es de tipo iterativo, donde se ingresa el inventario de

MODELO DE DISPERSIN ATMOSFRICA PARA LIMA CALLAO

Como modelo de dispersin se va a emplear el Industrial Source Complex (ISC3,

Estudio de Lnea Base Ambiental COSAC I

Estudio de Lnea Base Ambiental COSAC I

Figura 2-2. Procesamiento informacin geogrfica.

Toda la informacin geogrfica fue procesada en el ambiente computacional dado

Figura 2-3. Dominio de modelacin con despliegue de distritos y red vial

Figura 2-4. Dominio de modelacin con despliegue de alturas de terreno.

Estudio de Lnea Base Ambiental COSAC I

Estudio de Lnea Base Ambiental COSAC I

2.1.2 Anlisis y procesamiento de la informacin meteorolgica.

SENAMHI (ao 2004):

U.S. NCDC (Nacional Climatic Data Center, EEUU):

La seleccin de la data a ser utilizada consider que se necesitaba disponer de

contaminantes en la direccin vertical. Es por esto que se utiliz la informacin de

Estudio de Lnea Base Ambiental COSAC I

Velocidad superficial del viento (m/s)

A continuacin se describen brevemente las caractersticas de cada categora de

Las condiciones no clasificadas corresponden a condiciones nocturnas con vientos

Estudio de Lnea Base Ambiental COSAC I

meteorolgicas presenten mayores condiciones de calmas, sobre todo en entornos

Estudio de Lnea Base Ambiental COSAC I

En resumen, los altos porcentajes de calmas del viento citados en el Estudio de

Estudio de Lnea Base Ambiental COSAC I

2.1.2.5 Caractersticas de la estabilidad atmosfrica.

Figura 2-9. Clases de vientos y estabilidades a lo largo del ao 2004

Figura 2-10. Clases de vientos y estabilidades verano del ao 2004

En el caso de las condiciones de verano, la figura 2-10 muestra que la distribucin

velocidades. Por otra parte, en las clases de estabilidad atmosfrica se aprecia un

Figura 2-11. Clases de vientos y estabilidades invierno del ao 2004

2.1.3 Incorporacin de las emisiones del transporte

Estudio de Lnea Base Ambiental COSAC I

que se representan las emisiones del transporte en evaluaciones de impactos en

Estudio de Lnea Base Ambiental COSAC I

Figura 2-12. Importacin de emisiones a ISC3 con ISCview

Figura 2-13 Ubicacin celdas de emisin en el dominio de modelacin

Estudio de Lnea Base Ambiental COSAC I

Resultados de la modelacin de la dispersin de emisiones del

En esta seccin se presentan los siguientes resultados principales:

2.2.1.1 Material particulado fino PM2.5

Estudio de Lnea Base Ambiental COSAC I

PM 2,5 Lima Centro

PM 2,5 Lima Callao

PM 2,5 Lima Norte

PM 2,5 Lima Este

PM 2,5 Lima Sur

Estudio de Lnea Base Ambiental COSAC I

PTS Lima Centro

Figura 2-20. Comparacin de promedios mensuales de PTS en la estacin Callao.

Estudio de Lnea Base Ambiental COSAC I

Figura 2-21. Comparacin de promedios mensuales de PTS en la estacin Lima Norte.

Figura 2-22. Comparacin de promedios mensuales de PTS en la estacin Lima Este.

Figura 2-23. Comparacin de promedios mensuales de PTS en la estacin Sur.

Estudio de Lnea Base Ambiental COSAC I

Estudio de Lnea Base Ambiental COSAC I

SOx Lima Centro

Figura 2-25. Comparacin de promedios mensuales de SO2 en la estacin Centro Histrico.

En el caso de la estacin Lima Centro, se aprecia que las concentraciones de SO2