21
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Modelos de dispersión de contaminantes
atmosféricos: Revisión sistemática
resumen
La presente revisión está sustentada en la declaración PRISMA, en ese escenario,
consideramos estudios de los últimos 10 años, en los que se enfoca la utilidad
de los modelos matemáticos para estudiar y predecir el comportamiento de
la dispersión de los contaminantes atmosféricos. Se utilizaron las siguientes
bases de datos; ScienceDirect, Dialnet, Scielo, ScienceResearch, PubMed y
Redalyc, obteniendo un total de 4544 registros, descartándose 61 de estos
por duplicidad, considerando nalmente 4483 registros, se excluyeron 3429,
posteriormente, de los 1054 artículos elegidos, se excluyeron 991 por no estar
relacionados con modelos de dispersión. Finalmente, se incluyeron 63 artículos
originales para su análisis y elaboración de la revisión. La selección del modelo
depende del tiempo, escenario, fuente de emisión y estabilidad atmosférica. La
importancia que tiene el control de la contaminación nos lleva a la utilización
de modelos que nos permitan pronosticar la concentración en la dispersión de
contaminantes atmosféricos. Estos modelos pueden ser teóricos o semiteóricos,
y en la medida que en el modelo se incluyan los parámetros adecuados de tal
manera que se logre aproximar a la realidad, los resultados, mostrados serán
conables, pero ello conlleva a un modelo muy complejo. Los modelos más
utilizados encontrados aquí son los gaussianos y los modelos lagrangianos.
Palabras clave: Dispersión de la contaminación del aire, Modelos de
dispersión, Modelos de dispersión de contaminantes, Modelo de dispersión
gaussiana, Modelo de pluma gaussiana
absTracT
is systematic review is based on the PRISMA statement. Studies of the last
10 years were considered, in which the usefulness of mathematical models to
study and predict the behavior of the dispersion of atmospheric pollutants is
focused. e following databases were used; ScienceDirect, Dialnet, Scielo,
ScienceResearch, PubMed and Redalyc, obtaining a total of 4,544 records,
discarding 61 of these due to duplicity, nally considering 4,483 records,
3,429 were excluded, subsequently, of the 1,054 articles chosen, 991 were
excluded because they were not related with dispersion models. Finally, 63
original articles were included for analysis and preparation of the systematic
review. Model selection depends on weather, scenario, emission source, and
atmospheric stability. e importance of pollution control leads us to the
use of models that allow us to forecast the concentration in the dispersion of
atmospheric pollutants. ese can be theoretical or semi-theoretical, and to the
extent that the parameters are included in the model adequate in such a way
that it is possible to approach reality, the results, shown, will be very reliable,
but this leads to a very complex model. e most used models are Gaussian
and Lagrangian models.
Keywords: Air Pollution Dispersion, Dispersion Models, Gaussian Dispersion
Model, Gaussian Plume Model, Pollutant Dispersion Models
F R
M A
J I
,
L R
1 Escuela Universitaria
de Posgrado (EUPG).
Grupo de Investigación en
Sostenibilidad Ambiental.
Universidad Nacional
Federico Villarreal, Lima-Perú
2 Facultad de Ciencias
Biológicas. Grupo de
Investigación “One Health”.
Escuela de Posgrado (EPG).
Universidad Ricardo Palma,
Lima-Perú
3 Universidad Nacional
Autónoma de Tayacaka
Daniel Hernández Morillo,
Huancavelica - Perú.
Autor para correspondencia
alexar40@gmail.com
Dispersion models of atmospheric pollutants: Systematic review
Recibido: abril 22 de 2022 | Revisado: mayo 20 de 2022 | Aceptado: mayo 27 de 2022
| C | V. XX IV | N. 28 | PP. - | - |  || C | V. XX IV | N. 28 | PP. - | - |  |
© Los autores. Este artículo es publicado por la Revista Campus de la Facultad de Ingeniería y Arquitectura de la Universidad
de San Martín de Porres. Este artículo se distribuye en los términos de la Licencia Creative Commons Atribución No-comercial
– Compartir-Igual 4.0 Internacional (https://creativecommons.org/licenses/ CC-BY), que permite el uso no comercial,
distribución y reproducción en cualquier medio siempre que la obra original sea debidamente citada. Para uso comercial
contactar a: revistacampus@usmp.pe.
| C | V. XX VII | N. 33 | PP. - | - |  |
https://doi.org/10.24265/campus.2022.v27n33.02
22
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Introducción
En los últimos 100 años, se ha
prestado cada vez más atención al tema
de la protección del medio ambiente y
la calidad del aire ha ocupado un lugar
destacado. En este último caso, modelar
el comportamiento de la contaminación
del aire es una de las herramientas más
importantes para analizar y prevenir
su degradación (Hernández et al.,
2015; Ordoñez et al., 2018; Pacheco
et al., 2020). La contaminación del
aire es motivo de preocupación por
sus poderosos impactos económicos
y sociales negativos, no solo porque
amenaza la sostenibilidad del planeta,
sino también por sus efectos sobre el
medio ambiente con factores de salud
y productividad (Méndez et al., 2017;
Fedossova et al., 2019; Gariazzo et al.,
2020).
De esta manera, se debe tener
en consideración el tamaño de las
partículas en los modelos de dispersión
de la contaminación y dada su
complejidad se debe permitir algunas
simplicaciones para el estudio de las
zonas de dispersión (Ramos y Benites,
2016; Fedossova et al., 2019). Por
ejemplo, el material particulado (PM)
se dene como una mezcla compleja
de partículas sólidas y/o líquidas
con propiedades físicas y químicas
suspendidas en la atmósfera. Se sabe
que tales aerosoles atmosféricos, como
también se les llama, son emitidos por
fuentes naturales o antropogénicas
(Arrieta, 2016). Los aerosoles
secundarios
constituyen más del
50% de PM
2.5
y son los principales
responsables de alterar el balance
de
radiación de la Tierra, reduciendo la
visibilidad y la contaminación por
smog en el área (Lizarraga et al., 2019;
Pacheco et al., 2020).
Es importante mencionar que los
aerosoles son pequeñas partículas
sólidas o líquidas suspendidas en un
gas, originadas por actividades naturales
(biológicas) o actividades humanas
(antropogénicas) y cuyo tamaño
varía desde unos pocos nanómetros
hasta varias decenas de micrómetros.
Uno de los componentes que crea los
aerosoles y los libera a la atmósfera es
un contaminante llamado carbono
negro (BC), que incluye elementos
como el carbono elemental (EC) y el
carbono orgánico (CO) provenientes
de materiales de carbono, biomasa,
combustibles fósiles y biocombustibles
(Balde y Vega, 2019; Roldán et al.,
2021).
Las emisiones de sólidos en
suspensión provenientes de las carreteras
sin pavimentar que surgen de la erosión
y/o la meteorología o del tráco
rodado provocan vórtices verticales
(al comprimir y expandir las masas de
aire) que dan como resultado polvo que
contiene materiales producidos por el
desgaste de frenos y neumáticos, lo que
contribuyen a procesos abrasivos y la
resistencia supercial de las transiciones
geológicas, el último para partículas
mayores de 10 µm (Méndez et al.,
2017; Amouzouvi et al., 2020). En
ese contexto, el modelo de difusión
gaussiana es el método estándar para
estudiar el transporte de contaminantes
atmosféricos por difusión turbulenta y la
advección por el viento. Estos modelos
describen con ecuaciones matemáticas
los procesos físicos que rigen la dispersión
de partículas, gases o productos
químicos desde la pluma (Rojano et al.,
F R - M A - J I - L R
23
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
2016). Por otro lado, el uso de modelos
gaussianos de difusión atmosférica para
estudiar el impacto del polvo y los gases
contaminantes en el medio ambiente ha
sido objeto de investigación de muchos
autores, estos modelos de dispersión son
muy fácil de usar para determinar las
concentraciones de contaminantes de
una o más fuentes e incluye los efectos
del viento y la turbulencia (Brusca et al.,
2016; Ordoñez et al., 2018).
Existen modelos jerárquicos para
casos de fuentes industriales complejas.
AERMOD y CALPUFF son dos
modelos de dispersión de contaminantes
atmosféricos ampliamente utilizados
para este tipo de estimación. Existen
herramientas informáticas más simples
para terrenos no complicados para
respaldar la toma de decisiones y el
monitoreo de activos industriales.
(Truong et al., 2016; Vidal y Pérez,
2018).
El modelo WKBK2, basado en la
dispersión Gaussiana, es un modelo
simple y su utilización es muy fácil
permite estimar la concentración de
los pululantes de una o varias fuentes y
tiene en cuenta la velocidad del viento
y la estabilidad atmosférica (Páez et
al., 2017). Una de las dicultades del
modelo de dispersión gaussiana es
la determinación de
σ
y
y σ
z
, ya que
son coecientes para la dispersión
turbulenta, que dependen del tipo de
estabilidad y de la distancia medida
desde el punto de emisión en la
dirección del viento x.
Existen diferentes formas de estudiar
la difusión de los contaminantes, pero
todas ellas deben tener en cuenta
la clasicación de la atmósfera: A:
inestable; B: Moderadamente inestable
C: Ligeramente inestable; D: Neutro;
E: Ligeramente estable; F: Más estable.
Se requieren condiciones atmosféricas
inestables para dispersar los
contaminantes porque el movimiento
vertical del aire suele ser favorable en
los días en que la radiación hace que
el aire ambiental sobre la supercie de
la Tierra sea más cálido y liviano que
el aire (Leelossy et al., 2014; Rojano
et al., 2016; Vidal y Pérez., 2018,
Pacheco et al., 2020). AERMOD
modela la dispersión, asumiendo que
la concentración de los contaminantes
en estado estable y considerando
distintas situaciones para el estudio de
la capa límite, siguen una distribución
gaussiana (Páez et al., 2017).
El modelo computacional, ISC3
es una de las diversas herramientas
matemáticas disponibles para el
modelado de la dispersión, es una
aplicación del modelo de penacho
gaussiano de estado estable, es simple y
económico, desarrollado por la Agencia
de Protección Ambiental de los Estados
Unidos (EPA) con nes normativos. Este
fue el modelo elegido por la EPA hasta
que fue reemplazado por AERMOD
en 2006. Desde entonces, ISC ha sido
llamado el “modelo alternativo”, aunque
ahora se utiliza como modelo de gestión
en muchas partes del mundo debido a
su robustez, su capacidad de adaptarse a
diferentes situaciones disponibilidad de
los datos requeridos y relativa facilidad
de uso en comparación con modelos
más avanzados (Diez et al., 2014; Vidal
y Pérez, 2018).
Tomando en consideración la
importancia de la modelación de la
dispersión atmosférica, el objetivo de
M     : R 
24
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
la presente investigación, es hacer una
revisión sobre la literatura existente
que aborden sobre la aplicación y el
análisis de modelos para la dispersión
de contaminantes a la atmosfera.
Método
La revisión está sustentada en la
declaración PRISMA (“Preferred
Reporting Items for Systematic reviews
and Meta-Analyses”). Se consideró
estudios en los que se enfoca la utilidad
de los modelos matemáticos para
predecir la difusión de contaminantes
gaseosos a la atmósfera. La búsqueda
y recopilación de artículos originales
pertinentes para esta revisión se realizó
a nivel mundial para un periodo de 10
años, comprendido desde el 2013 al
2022. Los idiomas inglés, portugués
y español fueron los seleccionados.
Para resumir la información, los
artículos se agruparon considerando
los modelos utilizados para estudiar el
comportamiento de la dispersión de
los contaminantes atmosféricos. Siendo
así, se utilizaron para la recopilación de
la información, las siguientes bases de
datos; ScienceDirect, Dialnet, Scielo,
ScienceResearch, PubMed y Redalyc.
Se utilizó el siguiente motor de
búsqueda booleana: (dispersion models)
or (pollutant dispersion models),
(Gaussian dispersion model), (Air
Pollution Dispersion) and (Gaussian
plume model)) not (non Gaussian). El
proceso de recopilación y organización
de la información incluyó: título en
inglés, portugués o español, revista
que publica, país en el que se realiza
el estudio, referencia, base de datos
utilizada, tipo de estudio, resumen,
objetivo del estudio, metodología,
métodos de investigación, variables que
analiza y resultados.
Resultados
El resultado de la búsqueda en las
diferentes bases de datos arrojó un total
de 4544 registros, descartándose 61
de estos por duplicidad, considerando
nalmente 4483 registros. Se revisaron
los 4483 registros a nivel de títulos
y resúmenes, excluyéndose 3429 de
estos registros; 54 por ser artículos de
revisión, 934 por estar relacionados
con la incidencia en la salud, 52 por
ser artículos referentes a normativas
legales, 2389 registros por no estar
relacionados con modelos de dispersión.
Posteriormente, de los 1054 artículos
elegidos, se excluyeron 991 de estos;
846 por ser estudios de dispersión
de contaminantes en el agua y 145
artículos por tratarse de contaminantes
radiactivos sin mencionar modelo de
dispersión.
Finalmente, se incluyeron 63
artículos originales para su análisis y
elaboración de la revisión sistemática.
En la Figura 1 se muestra el diagrama
de ujo PRISMA para el análisis de la
revisión sistemática.
F R - M A - J I - L R
25
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Figura 1
Diagrama de ujo PRISMA adaptado del proceso de identicación y selección de los artículos
cientícos para el análisis de la revisión sistemática.
En la Tabla 1, se muestran los
63 estudios originales incluidos en
el análisis de la revisión sistemática
realizada, ordenada por base de datos.
Tabla 1
Estudios incluidos, ordenados por Base de Datos para el análisis de la revisión sistemática.
N° Título Revista
País de
Estudio
Referencia
Base de
Datos
01 Estudio de calidad del aire
en canteras a cielo abierto en
General Roca, Argentina
Boletín Geográco Argentina (Páez et al., 2017) Dialnet
02 Dispersion of particulate
material 2.5 emitted by roasted
chicken restaurants using the
AERMOD model in Huancayo
Metropolitan, Peru
DYNA: revista de la
Facultad de Minas.
Universidad Nacional
de Colombia
Perú (Lizárraga et al.,
2019)
Dialnet
03 Use of CFD modeling
for estimating spatial
representativeness of urban air
pollution monitoring sites and
suitability y of their
Física de la tierra España (Santiago y Martín,
2015)
Dialnet
M     : R 
26
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
04 Variables meteorológicas y
niveles de concentración de
material particulado de 10 µm en
Andacollo, Chile un estudio de
dispersión y entropías
Información
tecnológica
Chile (Pacheco et al.,
2020)
Dialnet
05 Dispersión de contaminantes del
aire
(PM
10
, NO
2
, CO, COV y
HAP) emitidos desde una
estación modular de compresión,
tratamiento y medición de gas
natural.
Información
tecnológica
Colombia (Rojano et al., 2016) Dialnet
06 Impact of height and location of
stacks in a Lagrangian particle
model: industrial complex in
Venezuela, case study.
Ingeniería Química
y Desarrollo
Venezuela (Rincón y Cre-
mades, 2015)
Dialnet
07 Estimación de factores de
emisión de material particulado
resuspendido antes, durante y
después de la pavimentación de
una vía en Bogotá
Ciencia e Ingeniería
Neogranadina
Colombia (Méndez et al.,
2017)
Dialnet
08 Estimación de la tasa de emisión
de una fuente contaminante.
Análisis de las soluciones
obtenidas con diferentes tipos de
datos
Ciencia y Tecnología México (Parra et al., 2020) Dialnet
09 Dispersión de las Partículas de
Emisiones Industriales en el
Problema de Optimización Semi-
innita del Área Contaminada
Información
tecnológica
Colombia (Fedossova et al.,
2019)
Dialnet
10 Formulación de una estrategia
para el control puntual
de un contaminante y su
implementación usando
cómputo paralelo
Información
tecnológica
México (Peña et al., 2022) Dialnet
11 Estimación de la dispersión
de contaminantes atmosféricos
emitidos por una industria
papelera mediante el modelo
AERMOD
Ingeniería Colombia (Vidal y Pérez.
2018)
Dialnet
12 Uncertainty propagation of
meteorological and emission data
in modeling pollutant dispersion
in the atmosphere
Ingeniería e
Investigación
Argentina (Diez et al., 2014) Dialnet
13 Estimación de emisiones de GEI
y sus trayectorias en
grandes incendios forestales en
Cataluña, España
Madera y Bosques España (Balde y Vega, 2019) Dialnet
N° Título Revista
País de
Estudio
Referencia
Base de
Datos
F R - M A - J I - L R
27
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
14 Dispersión de material
particulado (PM10), con
interrelación de factores
meteorológicos y topográcos
Revista Ingeniería,
Investigación y
Desarrollo
Colombia (Arrieta, 2016) Dialnet
15 Modelamiento de material
particulado emitidos por
coquización. Municipio de
Samaca, Boyacá
Revista logos ciencia y
tecnología
Colombia (Ramos y Benites,
2016)
Dialnet
16 Estimación y modelización de la
dispersión de black carbon en el
Valle de Aburrá, Colombia
TecnoLógicas Colombia (Roldán et al., 2021) Dialnet
17 Air-pollutant mass concentration
changes during COVID-19
pandemic in Shanghai, China
Air Qual Atmos
Health
China (Niu et al., 2020) Pubmed
18 Wind tunnel tests of inter-
at pollutant transmission
characteristics in a rectangular
multi-storey residential building,
part A: Eect of wind direction
Build Environ China (Mu et al., 2016) Pubmed
19 Predicting indoor particle
dispersion under dynamic
ventilation modes with high-
order Markov chain model
Build Simul China (Mei et al., 2021) Pubmed
20 Source apportionment of
airborne nanoparticles in a
Middle Eastern city using
positive matrix factorization
Environmental
Science: Processes &
Impacts
Kuwait (Al-Dabbous y Ku-
mar, 2015)
Pubmed
21 Tracking hazardous air
pollutants from a renery re by
applying on-line and o-line air
monitoring and back trajectory
modeling
Hazard Mater Taiwán (Shie y Chan, 2013) Pubmed
22 Playing Chemical Plant
Environmental Protection Games
with Historical Monitoring Data
International Journal
of Environmental
Research and Public
Health
China (Zhu et al., 2017) Pubmed
23 Landll air and odour emissions
from an integrated waste
management facility
Journal of
Environmental
Health Science and
Engineering
Nigeria (Sonibare et al. ,
2019)
Pubmed
24 Air pollution and the incidence
of ischaemic and haemorrhagic
stroke in the South London
Stroke Register: a case-cross-over
analysis
Journal of
Epidemiology and
Community Health
is a global
Inglaterra (Butland et al.,
2017)
Pubmed
N° Título Revista
País de
Estudio
Referencia
Base de
Datos
M     : R 
28
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
25 Evaluation of Pollutants
Along the National Road N2
in Togo using the AERMOD
Dispersion Model
Journal of health &
pollution
Togo (Amouzouvi et al.,
2020)
Pubmed
26
Changes in source contributions
to particle number concentrations
after the COVID-19 outbreak:
Insights from a dispersion
normalized PMF
Science of e Total
Environment
China (Dai et al., 2021) Pubmed
27 Considerations for evaluating
green infrastructure impacts in
microscale and macroscale air
pollution dispersion models
Science of e Total
Environment
USA (Tiwari et al. , 2019) Pubmed
28 A multi-city air pollution popu-
lation exposure study: Combined
use of chemical- transport and
random- Forest models with dy-
namic population data
Science of e Total
Environment
.
Italia (Gariazzo et al. , 2020) Pubmed
29 Uma nova derivação da taxa
de dissipação turbulenta para
eventos de turbulência fraca e
bem desenvolvida.
Ciência e Natura,
Santa Maria
Brasil (Buligon et al. , 2013) Redalyc
30 Convergence analysis of the
GILTT method for problems
in pollutant dispersion in the
atmosphere
Ciência e Natura,
Santa Maria
Brasil (Buske et al. , 2016) Redalyc
31 Simulação tridimensional
da dispersão de poluentes em
condições de vento fraco e
estáveis
Ciência e Natura,
Santa Maria
Brasil (Cardoso et al.,
2013)
Redalyc
32 Modelo para dispersão de
poluentes na atmosfera com
reexão nos contornos
estocásticos
Ciência e Natura,
Santa Maria
Brasil (Fischer et al. , 2016) Redalyc
33 Uma solução genuína da equação
de advecção difusão com forma
sesquilinear para problema multi-
fonte.
Ciência e Natura,
Santa Maria
Brasil (Gish et al., 2016) Redalyc
34 A semi-analytical dispersion
model from a steady source of
short duration
Ciência e Natura,
Santa Maria
Brasil (Martins, 2014) Redalyc
35 Modelo semi-lagrangeano de
dispersão atmosférica- avaliação
Ciência e Natura,
Santa Maria
Brasil (Ramires y
Carvalho de
Almeida 2016)
Redalyc
36 Solução da equação de
advecção-difusão tridimensional
pelo método GIADMT para dois
termos de contragradiente
Ciência e Natura,
Santa Maria
Brasil (Rui y Pinto da Cos-
ta, 2016)
Redalyc
N° Título Revista
País de
Estudio
Referencia
Base de
Datos
F R - M A - J I - L R
29
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
37 A new pu model applying an
exact solution of diusion
equation
Ciência e Natura,
Santa Maria
Brasil (Silva et al., 2013) Redalcy
38 Desenvolvimento de um modelo
matemático para descrever a
dispersão de contaminantes em
situações de meandro do vento
horizontal
Ciência e Natura,
Santa Maria
Brasil (Stefanello et al. ,
2016)
Redalyc
39 Dedução da equação da variança
espacial lateral para uma nova
formulação da função de
autocorrelação lagrangiana.
Ciência e Natura,
Santa Maria
México (Szinvelski et al. ,
2013)
Redalyc
40 Resolução analítica da equação de
difusão- advecção considerando o
termo de contragradiente aplicado
à dispersão de poluentes na
atmosfera
Ciência e Natura,
Santa Maria
Brasil (Venzke et al., 2013) Redalyc
41 Metodología para la calibración
de modelos de dispersión de
contaminantes atmosféricos. Caso
de estudio: dispersión de PM10
en el entorno de La Habana.
Revista Facultad de
Ingeniería Universidad
de Antioquia
Cuba (González et al. ,
2013)
Redalyc
42 Aplicación de modelos
simplicados para la dispersión
de contaminantes atmosféricos.
Caso de estudio
Revista Cubana de
Química
Cuba (Ordoñez et al. ,
2018)
Scielo
43 Source term estimation using air
concentration measurements and
a Lagrangian dispersion model
– Experiments with pseudo and
real cesium-137 observations
from the Fukushima nuclear
accident
Atmospheric
Environment
Japón (Chai et al., 2015) Science
Direct
44 Reactive pu model SCICHEM:
Model enhancements and
performance studies
Atmospheric
Environment
USA (Chowdhury et al.,
2015)
Science
Direct
45 Evaluation of the performance of
dierent atmospheric chemical
transport models and
inter- comparison of nitrogen and
sulphur deposition estimates for
the UK
Atmospheric
Environment
Inglaterra (Dore et al., 2015) Science
Direct
46 Inuence of an urban
canopy model and PBL schemes
on vertical mixing for air quality
modeling over Greater Paris
Atmospheric
Environment
Francia (Kim et al., 2015) Science
Direct
47 Characteristics of
PM2.5 spatial distribution and
inuencing meteorological con-
ditions in Sichuan Basin, south-
western China
Atmospheric
Environment
China (Liu et al., 2021) Science
Direct
N° Título Revista
País de
Estudio
Referencia
Base de
Datos
M     : R 
30
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
48 PM2.5 and gaseous pollutants
in New York State during 2005-
2016: Spatial variability, temporal
trends, and economic inuences
Atmospheric
Environment
USA (Squizzato et al. ,
2018)
Science
Direct
N° Título Revista
País de
Estudio
Referencia
Base de
Datos
49 Population based Air Pollution
Exposure and its inuence factors
by Integrating Air Dispersion
Modeling with GIS Spatial
Analysis
Scientic Reports USA (Dong et al., 2020) Science
Research
50 Air quality assessment and
pollution forecasting using
articial neural networks in
Metropolitan Lima-Peru
Scientic Reports Perú (Hoyos et al., 2021) Science
Research
51 Modeling and simulation of
air pollutant distribution in
street canyon area with Skytrain
stations
Advances in
Dierence
Equations
Tailandia (Chomcheon et al.,
2019)
Science
Research
52 Point source inuence on
observed extreme pollution levels
in a monitoring network
Atmospheric
Environment
USA (Ensor et al., 2014) Science
Research
53 Factors inuencing separation
distances against odour annoyance
calculated by Gaussian and
Lagrangian dispersion models
Atmospheric
Environment
Austria (Piringer et al. ,
2016)
Science
Research
54 Accidental benzene release risk
assessment in an urban area using
an atmospheric dispersion model
Atmospheric
Environment
Corea del
Sur
(Truong et al., 2016) Science
Research
55 Dispersion modelling of
environmental odours using
hourly-resolved emission
scenarios: Implications for impact
assessments
Atmospheric
Environment: X
Austria (Brancher et al.,
2021)
Science
Research
56 Dispersion modeling of air
pollutants in the atmosphere: a
review
Central European
Journal of
Geosciences
Hungría (Leelossy et al. ,2014) Science
Research
57 Assessment of emission- source
contribution to spatial dispersion
for coal crusher agglomeration
using prognostic model
Cleaner Engineering
and Technology
India (Srivastava y
Elumalai, 2021).
Science
Research
58 eoretical and Experimental
Study of Gaussian Plume Model
in Small Scale System
Energy Procedia Italia (Brusca et al. 2016) Science
Research
59 A Study on Plume Dispersion
Characteristics of Two Discrete
Plume Stacks for Negative
Temperature Gradient
Conditions
Environmental
Modeling &
Assessment
Inglaterra (Sivanandan et al.,
2021)
Science
Research
F R - M A - J I - L R
31
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
N° Título Revista
País de
Estudio
Referencia
Base de
Datos
61 Assessment of air ow
distribution and hazardous
release dispersion around a single
obstacle using Reynolds-averaged
Navier- Stokes equations
Heliyon Inglaterr (Vasilopoulos et al.,
2019)
Science
Research
62 Dynamic Correlation Analysis
Method of Air Pollutants in
Spatio- Temporal Analysis
International Journal
of Environmental
Research and Public
Health
China (Bai et al., 2020) Science
Research
63 Modeling and simulation of
air pollutant distribution in
street canyon area with Skytrain
stations
Journal of Wind
Engineering
and Industrial
Aerodynamics
Inglaterra (Cocea et al., 2014) Science
Research
60 How tall buildings aect
turbulent air ows and
dispersion of pollution within a
neighbourhood
Environmental
Pollution
Inglaterra (Aristodemou et al.,
2018)
Science
Research
Tabla 2
Modelo de dispersión utilizado, y contaminantes estudiados
N° Referencia Modelo de dispersión Contaminante
1 (Páez et al., 2017) AERMOD PM10
2 (Lizarraga et al., 2019) AERMOD PM2,5
3 (Santiago, 2015) CFD NO2
4 (Pacheco et al., 2020) El análisis caótico PM10
5 (Rojano et al., 2016) WKBK2 PM10, NO2, CO, COV, HAP
6 (Rincón y Cremades., 2015) Lagrangiano PST
7 (Méndez et al., 2017) SCREEN3 y AERMOD PM10, PM2,5, BC
8 (Parra et al., 2020) Método inverso
-
9 (Fedossova et al., 2019) Optimización Semi-innita PM10, PM2,5
10 (Peña et al., 2022) Cómputo paralelo
-
11 (Vidal y Pérez, 2018) AERMOD View
TM
SO2, NO2, PST
12 (Diez et al., 2014) USEPA ISC PM10
13 (Balde y Vega, 2019) HYSPLIT, GEI
14 (Arrieta, 2016) AERMOD PM10
15 (Ramos y Benítez, 2016) AERMOD PST, PM10
16 (Roldán et al., 2021) CAMx y BRAMS BC
17 (Niu et al., 2020) Lagrangiano PM2,5, NO2, CO, SO2, O3
18 (Mu et al., 2016) CFD SF6
19 (Mei et al., 2021) Cadena de Markov NO
La Tabla 2 muestra la referencia de cada
estudio, incluyendo el modelo de dispersión
utilizado, y el contaminante estudiado y se
observa que los modelos más utilizados son los
modelos gaussianos (AERMOD, AERMOD
View
TM
, AODM, GiS- AERMOD, WKBK2,
SCREEN3, SCICHEM3, y los modelos
lagrangianos (HYSPLIT, LASAT).
M     : R 
32
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
20 (Al-Dabbous y Kumar, 2015) PMF PM10
21 (Shie y Chan, 2013) Trayectoria inversa
-
22 (Zhu et al., 2017) CPEP
-
23 (Sonibare et al., 2019) AERMOD CO, SO2, NOX, COV, PM,
OLORES
24 (Butland et al., 2017) Regresión logística PM2,5, PM10, O3, NO2
25 (Amouzouvi et al., 2020) AERMOD SO2, NOX, PM
26 (Dai et al., 2021) PMF PM10, PM2,5, NO2, CO, SO2
27 (Tiwari et al., 2019) GI PM, COV, O3
28 (Gariazzo et al., 2020) Random-Forest NO2, O3, PM2,5, PM10
29 (Buligon et al., 2013) Lagrangiano
-
30 (Buske et al., 2016) GILTT
-
31 (Cardoso et al., 2013) 3D-GILTT
-
32 (Fischer et al., 2016) Ec. bidimensional de
advección-difusión en ET
-
33 (Gish et al., 2016) Ec. bidimensional de
advección-difusión en ET
-
34 (Martins 2014) Ec. bidimensional de
advección-difusión en ET
-
35 (Ramires y Carvalho de Almeida,
2016)
Semi-Lagrangiano SO2
36 (Rui y Pinto da Costa, 2016) GIADMT
-
37 (Silva et al., 2013) GILTT-PUFF
-
38 (Stefanello et al., 2016) Linealización de la ecuación de
Langevin
-
39
(Szinvelski et al., 2013) Parametrizaciones turbulentas
-
40
(Venzke et al., 2013) ADMM
-
41
(González et al., 2013) ISCST3 PM10
42
(Ordoñez et al., 2018) Berlyand y SCREEN3 CO, CO2,SO2, NOX y PM
43
(Chai et al., 2015) HYSPLIT. Cs-137
44
(Chowdhury et al., 2015) SCICHEM3 NOX, O3
45
(Dore et al., 2015) Transporte químico atmosférico N, S
46
(Kim et al., 2015) Dosel Urbano O3, NO2, PM10, PM2,5
47
(Liu et al., 2021) EOF PM2,5
48
(Squizzato et al., 2018) Promedios Estacionales PM2,5, SO2, O3, CO, NOX
49
(Dong et al., 2020) GiS-AERMOD SO2
50
(Hoyos et al., 2021) Hold-out, BNCV PM10
51
(Chomcheon et al., 2019) IBVP CO2
52
(Ensor et al., 2014) ODZINB VOC
53
(Piringer et al., 2016) AODM- LASAT OLORES
54
(Truong et al., 2016) AERMOD C6H6
55
(Brancher et al., 2021) AERMOD OLORES
56
(Leelossy et al., 2014) Comparación de Modelos
-
57 (Srivastava y Elumalai, 2021)
AERMOD SO2, PM10, NOX
58
(Brusca et al., 2016) Gaussiana de Pluma PM10
F R - M A - J I - L R
33
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
39 (Szinvelski et al., 2013)
Parametrizaciones turbulentas
-
40 (Venzke et al., 2013) ADMM
-
41 (González et al., 2013) ISCST3
PM
10
42 (Ordoñez et al., 2018) Berlyand y SCREEN3
CO, CO
2
,SO
2
, NO
X
y PM
43 (Chai et al., 2015) HYSPLIT. Cs-137
44 (Chowdhury et al., 2015) SCICHEM3 NOX, O3
45 (Dore et al., 2015) Transporte químico atmosférico N, S
46 (Kim et al., 2015) Dosel Urbano
O
3
, NO
2,
PM
10
, PM
2,5
47 (Liu et al., 2021) EOF
PM
2,5
48 (Squizzato et al., 2018) Promedios Estacionales
PM
2,5,
SO
2
, O
3
, CO, NO
X
49 (Dong et al., 2020) GiS-AERMOD
SO
2
50 (Hoyos et al., 2021) Hold-out, BNCV
PM
10
51 (Chomcheon et al., 2019) IBVP
CO
2
52 (Ensor et al., 2014) ODZINB VOC
53 (Piringer et al., 2016) AODM- LASAT OLORES
54 (Truong et al., 2016) AERMOD
C
6
H
6
55 (Brancher et al., 2021) AERMOD OLORES
56 (Leelossy et al., 2014) Comparación de Modelos
-
57 (
Srivastava y Elumalai, 2021
) AERMOD
SO
2
, PM
10
, NO
X
58 (Brusca et al., 2016) Gaussiana de Pluma
PM
10
59 (Sivanandan et al., 2021) k-Ɛ, FLUENT
CO, SO
2
, NO, NO
2
60 (Aristodemou et al., 2018) FLUIDITY-CDF
-
61 (Vasilopoulos et al., 2019) RANS - LES
-
62 (Bai et al., 2020) Análisis
de Correlación Dinámica
-
63 (Cocea et al., 2014) Penacho gaussiano
-
En base a la Tabla 1, se han elaborado las Figura 2, 3 y que se presentan a continuación.
Figura 2
Porcentaje de estudios incluidos por Base de Datos para el análisis de la revisión
sistemática
Dialnet
24%
25%
Pubmed
Redalyc
9%
Scielo
2%
19%
21%
ScienceDirect
Science
Research
En la Figura 2 se muestran las Bases de Datos que más aportaron para esta revisión: Dialnet
con un 25% de publicaciones en español, Science Research con un 24% de publicaciones
en inglés, Redalyc con un 21% de publicaciones en portugués y Pubmed con 19% de
publicaciones en inglés.
Figura 3
Número de estudios incluidos por país para el análisis de la revisión sistemática
En la Figura 3 se reporta que los países que más han publicado sobre el tema de esta
revisión sistemática fueron: Brasil, Colombia, China, Inglaterra y Estados Unidos. No se
incluyen en la figura a Perú, Italia, España, Cuba Austria y Argentina que tienen dos
publicaciones cada uno, y finalmente con una publicación los países Venezuela, Togo,
Taiwán, Tailandia, Nigeria, Kuwait, Japón, India, Hungría, Francia, Corea del sur y Chile.
Los trabajos brasileños están enfocados a encontrar soluciones matemáticas y/o numéricas
de ecuación general de transporte.
Figura 4
Numero de estudios incluidos por revista para el análisis de la revisión sistemática
La Figura 4 muestra que las revistas que más han publicado sobre el tema de esta
revisión sistemática fueron: Ciência e Natura, Santa Maria, Atmospheric Environment e
Información Tecnológica, Scientific Reports, Science of The Total Environment,
International Journal of Environmental Research and Public Health.
BRASIL
COLOMBIA
CHINA
INGLATERRA
USA
MÉXICO
11
7
7
6
5
3
0 1 2 3 4 5 6 7 8 9 10 11 12
CIÊNCIA E NATURA, SANTA MARIA
ATMOSPHERIC ENVIRONMENT
INFORMACIÓN TECNOLÓGICA
SCIENTIFIC REPORTS
SCIENCE OF THE TOTAL…
INTERNATIONAL JOURNAL OF…
12
9
4
2
2
2
0 1 2 3 4 5 6 7 8 9 10 11 12 13
En la Figura 3 se reporta que los países
que más han publicado sobre el tema de
esta revisión sistemática fueron: Brasil,
Colombia, China, Inglaterra y Estados
Unidos. No se incluyen en la gura a
Perú, Italia, España, Cuba Austria y
Argentina que tienen dos publicaciones
cada uno, y nalmente con una
59
(Sivanandan et al., 2021) k-Ɛ, FLUENT CO, SO2, NO, NO2
60
(Aristodemou et al., 2018) FLUIDITY-CDF
-
61
(Vasilopoulos et al., 2019) RANS - LES
-
62
(Bai et al., 2020) Análisis de Correlación Dinámica
-
63
(Cocea et al., 2014) Penacho gaussiano
-
En base a la Tabla 1, se han elaborado las Figura 2, 3 y que se presentan a continuación.
Figura 2
Porcentaje de estudios incluidos por Base de Datos para el análisis de la revisión sistemática
En la Figura 2 se muestran las Bases
de Datos que más aportaron para
esta revisión: Dialnet con un 25%
de publicaciones en español, Science
Research con un 24% de publicaciones
en inglés, Redalyc con un 21% de
publicaciones en portugués y Pubmed
con 19% de publicaciones en inglés.
Figura 3
Número de estudios incluidos por país para el análisis de la revisión sistemática
publicación los países Venezuela, Togo,
Taiwán, Tailandia, Nigeria, Kuwait,
Japón, India, Hungría, Francia, Corea
del sur y Chile. Los trabajos brasileños
están enfocados a encontrar soluciones
matemáticas y/o numéricas de ecuación
general de transporte.
M     : R 
34
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Figura 4
Número de estudios incluidos por revista para el análisis de la revisión sistemática
Figura 3
Número de estudios incluidos por país para el análisis de la revisión sistemática
En la Figura 3 se reporta que los países que más han publicado sobre el tema de esta
revisión sistemática fueron: Brasil, Colombia, China, Inglaterra y Estados Unidos. No se
incluyen en la figura a Perú, Italia, España, Cuba Austria y Argentina que tienen dos
publicaciones cada uno, y finalmente con una publicación los países Venezuela, Togo,
Taiwán, Tailandia, Nigeria, Kuwait, Japón, India, Hungría, Francia, Corea del sur y Chile.
Los trabajos brasileños están enfocados a encontrar soluciones matemáticas y/o numéricas
de ecuación general de transporte.
Figura 4
Numero de estudios incluidos por revista para el análisis de la revisión sistemática
La Figura 4 muestra que las revistas que más han publicado sobre el tema de esta
revisión sistemática fueron: Ciência e Natura, Santa Maria, Atmospheric Environment e
Información Tecnológica, Scientific Reports, Science of The Total Environment,
International Journal of Environmental Research and Public Health.
BRASIL
COLOMBIA
CHINA
INGLATERRA
USA
MÉXICO
11
7
7
6
5
3
0 1 2 3 4 5 6 7 8 9 10 11 12
CIÊNCIA E NATURA, SANTA MARIA
ATMOSPHERIC ENVIRONMENT
INFORMACIÓN TECNOLÓGICA
SCIENTIFIC REPORTS
SCIENCE OF THE TOTAL…
INTERNATIONAL JOURNAL OF…
12
9
4
2
2
2
0 1 2 3 4 5 6 7 8 9 10 11 12 13
La Figura 4 muestra que las revistas
que más han publicado sobre el tema de
esta revisión sistemática fueron: Ciência
e Natura, Santa Maria, Atmospheric
Environment e Información Tecnológica,
Scientic Reports, Science of e Total
Environment, International Journal of
12
9
4
Environmental Research and Public
Health.
La revista brasileña, Ciência e Natura,
Santa Maria se aboca a nuevas técnicas
de solución de la ecuación de transporte.
Figura 5
Porcentaje de modelos de dispersión utilizados en los estudios incluidos para el análisis de la
revisión sistemática
14%
6%
37%
14%
29%
La revista brasileña, Ciência e Natura, Santa Maria se aboca a nuevas técnicas de
solución de la ecuación de transporte.
Figura 5
Porcentaje de modelos de dispersión utilizados en los estudios incluidos para el análisis
de la revisión sistemática
DISCUSIÓN
Los modelos gaussianos y sus variantes, con un 29 %, son los más utilizados para
describir la dispersión de contaminantes del aire a la atmosfera (Arrieta, 2016; Brusca et al.,
2016; Ramos y Benítez, 2016; Rojano et al., 2016; Páez et al., 2017; Méndez et al., 2017;
Lizarraga et al., 2019; Amouzouvi et al., 2020), los usaron para pronosticar la concentración
de material particulado, PM
2,5
y/o PM
10
y sus resultados fueron validados con los datos
históricos; la dispersión de olores también fue estudiada por varios investigadores (Piringer
et al., 2016; Sonibare et al., 2019; Brancher et al., 2021), que utilizaron modelos gaussianos
y mostraron el impacto que tienen en la población aledaña a la fuente emisora.
Los modelos lagrangianos y sus variantes con un 14 % (Buligon et al., 2013;
Szinvelski et al., 2013; Leelossy et al., 2014; Rincón y Cremades, 2015; Chai et al., 2015;
Ramires y Carvalho de Almeida, 2016; Piringer et al., 2016; Balde y Vega, 2019; Niu et
al., 2020) se han ocupado de la importancia que implica el modelado para predecir el
comportamiento de la dispersión de contaminantes del aire a la atmosfera y del impacto en
14%
6%
37%
14%
29%
Métodos de solución
numérica
Modelos Gaussianos
Modelos Lagrangianos
Modelos CFD
Otros modelos
Discusión
Los modelos gaussianos y sus variantes,
con un 29 %, son los más utilizados para
describir la dispersión de contaminantes
del aire a la atmosfera (Arrieta, 2016;
Brusca et al., 2016; Ramos y Benítez,
2016; Rojano et al., 2016; Páez et al.,
2017; Méndez et al., 2017; Lizarraga et
al., 2019; Amouzouvi et al., 2020), los
usaron para pronosticar la concentración
de material particulado, PM
2,5
y/o
PM
10
y sus resultados fueron validados
con los datos
históricos; la dispersión de
olores también fue estudiada por varios
investigadores (Piringer et al., 2016;
Sonibare et al., 2019; Brancher et al.,
2021), que utilizaron modelos gaussianos
F R - M A - J I - L R
35
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
y mostraron el impacto que tienen en la
población aledaña a la fuente emisora.
Los modelos lagrangianos y sus
variantes con un 14 % (Buligon et al.,
2013; Szinvelski et al., 2013; Leelossy
et al., 2014; Rincón y Cremades, 2015;
Chai et al., 2015; Ramires y Carvalho
de Almeida, 2016; Piringer et al., 2016;
Balde y Vega, 2019; Niu et al., 2020)
se han ocupado de la importancia que
implica el modelado para predecir el
comportamiento de la dispersión de
contaminantes del aire a la atmósfera y del
impacto en medio ambiente y en la salud.
Son mucho más complejos y pronostican
mejor la dispersión de contaminantes
y olores porque consideran la variable
tiempo.
Se ha empleado el modelado de
dinámica de uidos computacional
(CFD) en un túnel de viento, con un
14 % (Leelossy et al., 2014; Santiago
y Martín, 2015; Mu et al. 2016,
Aristodemou et al., 2018), y estudiaron
el transporte de contaminantes entre
pisos en un entorno residencial con
el propósito de prevenir el riesgo de
contagio de enfermedades respiratorias
y el efecto que tienen estos edicios en
la dispersión de contaminantes porque
afectan los ujos de aire y patrones de
dispersión generando zonas muertas y
puntos calientes.
Los esfuerzos por encontrar una
solución analítica o numérica de la
ecuación de advección-difusión para
describir la dispersión de contaminantes
atmosférico ha llevado a muchos
investigadores, 37 % (Cardoso et al.,
2013; Martins, 2014; Al-Dabbous y
Kumar., 2015; Buske et al., 2016; Fischer
et al., 2016; Gish et al., 2016; Butland et
al., 2017; Fedossova et al., 2019; Parra
et al., 2020; Dai et al., 2021; Peña et
al., 2022), a analizar la convergencia
del método GILTT para predecir la
dispersión de contaminantes atmosférico
y nos presentan una solución analítica
de la ecuación advección-difusión
conjuntamente con resultados numéricos
consistentes.
Conclusiones
Esta revisión literaria muestra la
importancia y utilidad de los modelos
de dispersión atmosférica y los estudios
presentados muestran la aplicabilidad
de un modelo u otro, pero dependiendo
del escenario, los resultados pueden ser
muy diferentes. La selección del modelo
depende del tiempo, escenario, fuente
de emisión y la estabilidad atmosférica.
La importancia que tiene el control de la
contaminación nos lleva a la utilización
de modelos que nos permitan pronosticar
la concentración de la dispersión de
contaminantes atmosféricos; estos
pueden ser teóricos o semi teóricos, y en
la medida que en el modelo se incluyan
los parámetros adecuados, para lograr
aproximar a la realidad, los resultados,
mostrados, serán muy conables, pero
ello conlleva a un modelo muy complejo,
y que los modelos más utilizados son
los gaussianos (estado estable) y los
lagrangianos (estado transiente). Se
están realizando grandes esfuerzos para
la obtención de modelos teóricos que
resultan de la solución de la ecuación
advección-difusión, para ello la ecuación
se simplica de tal manera que incluya
la mayor cantidad de parámetros a n
de obtener un modelo que reproduzca
satisfactoriamente la dispersión de
contaminantes.
M     : R 
36
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Referencias
Al-Dabbous, A. N. y Kumar, P. (2015).
Source apportionment of airborne
nanoparticles in a Middle
Eastern city using positive matrix
factorization. Environmental
Science: Processes & Impacts,
17(4), 802-812. http://dx.doi.
org/10.1039/c5em00027k
Amouzouvi, Y. M., Dzagli, M. M, Sagna,
K, Török, Z., Roba, C. A., Mereuţă,
A., Ozunu, A. y Edjame, K. S.
(2020). Evaluation of Pollutants
Along the National Road N2
in Togo using the AERMOD
Dispersion Model. Journal of health
& pollution, 10(27), 200908.
http://dx.doi.org/10.5696/2156-
9614-10.27.200908
Aristodemou, E., Boganegra, L.
M., Mottet, L, Pavlidis, D.,
Constantinou, A., Pain, Ch.,
Robins, A. y ApSimone, H. (2018).
How tall buildings aect turbulent
air ows and dispersion of
pollution within a neighbourhood.
Environmental Pollution, 233, 782-
796. https://doi.org/10.1016/j.
envpol.2017.10.041
Arrieta, A. J. (2016). Dispersión de
material particulado (PM 10),
con interrelación de factores
meteorológicos y topográcos.
Revista Ingeniería, Investigación y
Desarrollo, 16(2), 43-54. https://
dialnet.unirioja.es/servlet/
articulo?codigo=6096112
Bai, Y., Jin, X., Wang, X. Y., Wang,
X. K. y Xu, J. (2020). Dynamic
Correlation Analysis Method of
Air Pollutants in Spatio-Temporal
Analysis. International Journal of
Environmental Research and Public
Health, 17(1), 360. https://doi.
org/10.3390/ijerph17010360
Balde, B. y Vega, C. (2019). Estimación de
emisiones de GEI y sus trayectorias
en grandes incendios forestales en
Cataluña, España. Madera y Bosques,
25(2), e2521764. https://dx.doi.
org/10.21829/myb.2019.2521764
Brancher, M., Hoinaski, L., Piringer,
M., Prata, A. A. y Schauberger,
G. (2021). Dispersion modelling
of environmental odours using
hourly-resolved emission scenarios:
Implications for impact assessments.
Atmospheric Environment: X, 12,
100124. https://doi.org/10.1016/j.
aeaoa.2021.100124
Brusca, S., Famoso, F., Lanzafame,
R., Mauro, S., Cugno, A. M. y
Monforte, P. (2016). eoretical
and experimental study of
Gaussian Plume model in small
scale system. Energy Procedia, 101,
58-65. https://doi.org/10.1016/j.
egypro.2016.11.008
Buligon, L., Degrazia, G. A., Szinvelski,
C. R. P. y Moor, L. (2013).
Uma nova derivação da taxa
de dissipação turbulenta para
eventos de turbulência fraca e
bem desenvolvida. Ciência e
Natura, Edição Especial, 270-272.
http://www.redalyc.org/articulo.
oa?id=467546172086
F R - M A - J I - L R
37
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Buske, D., Zen, C., Sperotto de
Quadros, R., Aguiar, G. y Avila,
J. (2016). Convergence analysis of
the GILTT method for problems
in pollutant dispersion in the
atmosphere. Ciência e Natura,
38, 182-189. http://dx.doi.
org/10.5902/2179460X20156
Butland, B, K., Atkinson, R. W.,
Crichton, S., Barratt, B., Beevers,
S., Spiridou, A., Hoang, U.,
Kelly, F.J. y Wolfe, C. D. (2017).
Air pollution and the incidence
of ischaemic and haemorrhagic
stroke in the South London
Stroke Register: a case- cross-over
analysis. Journal of Epidemiology
and Community Health is a global,
71(7), 707-712. http://dx.doi.
org/10.1136/jech-2016-208025
Cardoso, V., Buske, D., Sperotto, R. y
Carvalho, J. (2013). Simulação
tridimensional da dispersão
de poluentes em condições de
vento fraco e estáveis. Ciência
e Natura, noviembre, 365-367.
http://www.redalyc.org/articulo.
oa?id=467546172114
Chai, T., Draxler, R. y Steina, A. (2015).
Source term estimation using air
concentration measurements and
a Lagrangian dispersion model –
Experiments with pseudo and real
cesium-137 observations from
the Fukushima nuclear accident.
Atmospheric Environment, 106, 241-
251. https://doi.org/10.1016/j.
atmosenv.2015.01.070
Chomcheon, S., Khajohnsaksumeth, N.,
Wiwatanapataphee, B. & Ge, X.
(2019). Modeling and simulation
of air pollutant distribution in
street canyon area with Skytrain
stations. Advances in Dierence
Equations, 459(2019). https://doi.
org/10.1186/s13662-019-2382-z
Chowdhury, B., Karamchandani, P.
K., Sykes, R. I., Henn, D. S. y
Knipping, E. (2015). Reactive
pu model SCICHEM: Model
enhancements and performance
studies. Atmospheric Environment,
117, 242-258. https://
doi.org/10.1016/j.
atmosenv.2015.07.012
Cocea, O., Goulart, E. V. Branford,
S., omas, T. G. y Belcher,
S. E. (2014). Flow structure
and near-eld dispersion in
arrays of building-like obstacles.
Journal of Wind Engineering and
Industrial Aerodynamics, 125, 52-
68. https://doi.org/10.1016/j.
jweia.2013.11.013
Dai Q, Ding J, Song C, Liu B, Bi X,
Wu J, Zhang Y, Feng Y y Hopke
PK. (2021). Changes in source
contributions to particle number
concentrations after the COVID-19
outbreak: Insights from a dispersion
normalized PMF. Science of e
Total Environment, 759, 143548.
http://dx.doi.org/10.1016/j.
scitotenv.2020.143548
Diez, S., Barra, E., Crespo, F. y Britch, J.
(2014). Uncertainty propagation of
meteorological and emission data
in modeling pollutant dispersion
in the atmosphere. Ingeniería
e Investigación, 34(2),44-48.
https://dialnet.unirioja.es/servlet/
articulo?codigo=4831640
M     : R 
38
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Dong, X., Zhao, X., Peng, F. & Wang,
D. (2020). Population based
Air Pollution Exposure and its
inuence factors by Integrating
Air Dispersion Modeling with GIS
Spatial Analysis. Scientic Reports,
10, 479. https://doi.org/10.1038/
s41598-019-57385-9
Dore, A. J., Carslaw, D. C., Braban, C.,
Cain, M., Chemel, C., Conolly,
C., Derwent, R. G., Griths, S.
J., Hall, J., Hayman, G., Lawrence,
S., Metcalfe, S. E., Redington,
A., Simpson, D., Sutton, M. A.,
Sutton, P., Tang, Y. S., Vieno, M.,
Werner, M., y Whyatt, J. D. (2015).
Evaluation of the performance of
dierent atmospheric chemical
transport models and inter-
comparison of nitrogen and sulphur
deposition estimates for the UK.
Atmospheric Environment, 119, 131-
143. https://doi.org/10.1016/j.
atmosenv.2015.08.008
Ensor, K. B., Ray, B. K. y Charltona, S.
J. (2014). Point source inuence
on observed extreme pollution
levels in a monitoring network.
Atmospheric Environment. 92, 191-
198. https://doi.org/10.1016/j.
atmosenv.2014.04.017
Fedossova, A., Fedosov, V. V. y Britto, R. A.
(2019). Dispersión de las Partículas
de Emisiones Industriales en el
Problema de Optimización Semi-
innita del Área Contaminada.
Información Tecnológica, 30, 333-
344. http://dx.doi.org/10.4067/
S0718-07642019000100333
Fischer, J., Bodmann, B. E. J., y Menna,
M. T. (2016). Modelo para
dispersão de poluentes na atmosfera
com reexão nos contornos
estocásticos. Ciência e Natura,
38, 342- 346. http://dx.doi.
org/10.5902/2179460X20282
Gariazzo, C., Carlino G., Silibello, C.,
Renzi M., Finardi, S., Pepe, N.,
Radice, P. , Forastiere, F. , Michelozzi,
P. , Viegi, G., Stafoggia, M., y BEEP
Collaborative Group. (2020). A
multi-city air pollution population
exposure study: Combined use of
chemical-transport and random-
Forest models with dynamic
population data. Science of e
Total Environment, 724, 138102.
http://dx.doi.org/10.1016/j.
scitotenv.2020.138102
Gish, D. L., Bodmann, B. y Menna, M.
T. (2016). Uma solução genuína
da equação de advecção difusão
com forma sesquilinear para
problema multi-fonte. Ciência e
Natura, 38, 80-83. http://dx.doi.
org/10.5902/2179460X20092
González, M. B., Saturnino F. Pire, S.
F., Luis F. Cuesta, L. F. y López,
P. A. (2013). Metodología para la
calibración de modelos de dispersión
de contaminantes atmosféricos.
Caso de estudio: dispersión de
PM10 en el entorno de La Habana.
Revista Facultad de Ingeniería,
Universidad de Antioquia, 69, 274-
288. https://www.redalyc.org/
articulo.oa?id=43029812021
Hernández, A., Jauregui, U., Souto, J. A.,
Casares, J. J., Saavedra, S., Guzmán,
F. y Torres, A. (2015). Estado
actual de los modelos de dispersión
atmosférica y sus aplicaciones. UCE
F R - M A - J I - L R
39
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
Ciencia. Revista de postgrado, 3(2).
http://uceciencia.edu.do/index.
php/OJS/article/viewFile/49/45
Hoyos, C., Lopez, M. N. L., Salas, R.,
Torres, R., Canas, P. y López-
Gonzales, J. (2021). Air quality
assessment and pollution
forecasting using articial neural
networks in Metropolitan Lima-
Peru. Scientic Reports, 11, 24232.
https://doi.org/10.1038/s41598-
021-03650-9
Kim, Y., Sartelet, K., Raut, J. y Chazette,
P. (2015). Inuence of an urban
canopy model and PBL schemes
on vertical mixing for air quality
modeling over Greater Paris.
Atmospheric Environment, 107, 289-
306. https://doi.org/10.1016/j.
atmosenv.2015.02.011
Leelossy, A., Molnár Jr., J., Izsák, F. ,
Havasi, A., Lagzi, I. y Mészáros,
R. (2014). Dispersion modeling of
air pollutants in the atmosphere: a
review. Central European Journal of
Geosciences, 6(3), 257-278. http://
dx.doi.org/10.2478/s13533- 012-
0188-6
Liu, Y., Shi, G., Zhan, Y. y Yang, F.
(2021). Characteristics of PM2.5
spatial distribution and inuencing
meteorological conditions in
Sichuan Basin, southwestern China.
Atmospheric Environment, 253,
118364. https://doi.org/10.1016/j.
atmosenv.2021.118364
Lizarraga, I. J., Pomalaya, J. E., Suárez,
L. F. y Bendezu, Y. (2019).
Dispersion of particulate material
2.5 emitted by roasted chicken
restaurants using the AERMOD
model in Huancayo Metropolitan,
Peru. DYNA. 86(211), 346-353.
https://dialnet.unirioja.es/servlet/
articulo?codigo=7303642
Martins, D. (2014). A semi-analytical
dispersion model from a steady
source of short duration. Ciência e
Natura, 36, 149-159. http://dx.doi.
org/10.5902/2179460X13489
Mei, X., Zeng, C. y Gong, G. (2021).
Predicting indoor particle dispersion
under dynamic ventilation modes
with high-order Markov chain
model. Building Simulation, 25,
1- 16. http://dx.doi.org/10.1007/
s12273-021-0855-y
Méndez, J. F., Pinto, L. C., Galvis,
B. R. y Pachón, J. E. (2017).
Estimación de factores de
emisión de material particulado
resuspendido antes, durante y
después de la pavimentación de una
vía en Bogotá. Ciencia e Ingeniería
Neogranadina, 27, 43- 60. http://
dx.doi.org/10.18359/rcin.1797
Mu, D., Gao, N. y Zhu, T. (2016). Wind
tunnel tests of inter-at pollutant
transmission characteristics
in a rectangular multi-storey
residential building, part A: Eect
of wind direction. Building and
Environment, 108, 159-170.
http://dx.doi.org/10.1016/j.
buildenv.2016.08.032
Niu, Z., Hu, T., Kong, L., Zhang, W.,
Rao, P., Ge, D., Zhou, M. y Duan,
Y. (2020). Air-pollutant mass
concentration changes during
COVID-19 pandemic in Shanghai,
M     : R 
40
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
China. Air Quality, Atmosphere &
Health, 14, 523-532. http://dx.doi.
org/10.1007/s11869-020-00956-x
Ordoñez, Y. C., Reinosa, M.,
Hernández, C. A. y Canciano, J.
(2018). Aplicación de modelos
simplicados para la dispersión
de contaminantes atmosféricos.
Caso de estudio. Revista Cubana
de Química, 30(1), 90-103. http://
scielo.sld.cu/pdf/ind/v30n1/
ind08118.pdf
Pacheco, P. R., Parodi, M. C., Eduardo
M. Mera, E. M. y Salini, G. A.
(2020). Variables meteorológicas
y niveles de concentración de
material particulado de 10 µm en
Andacollo, Chile: un estudio de
dispersión y entropías. Información
Tecnológica. 31, 171-182. http://
dx.doi.org/10.4067/S0718-
07642020000600171
Páez, P.A., Cogliati, M.G. y Giacosa,
R.A. (2017). Estudio de calidad
del aire en canteras a cielo abierto
en General Roca, Argentina.
Boletín geográco, 39, 53-71.
https://dialnet.unirioja.es/servlet/
articulo?codigo=6232750
Parra, D., Skiba, Y. y Bustamante, F. J.
(2020). Estimación de la tasa de
emisión de una fuente contaminante-
Análisis de las soluciones obtenidas
con diferentes tipos de datos.
Ciencia y Tecnología, 36(2), 12-20.
https://dialnet.unirioja.es/servlet/
articulo?codigo=7746105
Peña, D., Parra, D. y Skiba, Y. N. (2022).
Formulación de una estrategia
para el control puntual de un
contaminante y su implementación
usando cómputo paralelo.
Información Tecnológica, 33(1),
35-48. http://dx.doi.org/10.4067/
S0718-07642022000100035
Piringer, M., Knauder, W., Petz, E. y
Schauberger, G. (2016). Factors
inuencing separation distances
against odour annoyance
calculated by Gaussian and
Lagrangian dispersion models.
Atmospheric Environment, 140,
69-83. https://doi.org/10.1016/j.
atmosenv.2016.05.056
Ramires, L. y Carvalho de Almeida, R.
(2016). Modelo semi-lagrangeano
de dispersão atmosférica-
avaliação. Ciência e Natura,
38, 418-425. http://dx.doi.
org/10.5902/2179460X20307
Ramos, A. y Benítez, D.M. (2016).
Modelamiento de material
particulado emitidos por
coquización. Municipio de Samaca,
Boyacá. Revista Logos Ciencia y
Tecnología, 8(2), 159-169. https://
doi.org/10.22335/rlct.v8i2.303
Rincón, G. y Cremades, L. (2015). Impact
of height and location of stacks
in a Lagrangian particle model:
industrial complex in Venezuela,
case study. Revista Ingeniería
Química y Desarrollo, 1(2), 29-40.
https://dialnet.unirioja.es/servlet/
articulo?codigo=8266861
Rojano, R. E., Mendoza, Y. I., Arregoces,
H. A. y Restrepo, G. M. (2016).
Dispersión de contaminantes del
aire (PM10, NO2, CO, COV
y HAP) emitidos desde una
F R - M A - J I - L R
41
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
estación modular de compresión,
tratamiento y medición de
gas natural. Información
Tecnológica, 27(5), 99-110. http://
dx.doi.org/10.4067/S0718-
07642016000500012
Roldán, J. C., Toro, J. C. y Marín, A.
(2021). Estimación y modelización
de la dispersión de black carbón
en el Valle de Aburrá, Colombia”.
TecnoLógicas, 24(50), e1580. https://
doi.org/10.22430/22565337.1580
Rui, K. y Pinto da Costa, C. (2016).
Solução da equação de advecção-
difusão tridimensional pelo
método GIADMT para dois
termos de contragradiente. Ciência
e Natura, 38, 53-60. http://dx.doi.
org/10.5902/2179460X19854
Santiago, J.L. y Martín, F. (2015). Use
of CFD modeling for estimating
spatial representativeness of urban
air pollution monitoring sites
and suitability of their locations.
Física de la Tierra, 27, 191-221.
http://dx.doi.org/10.5209/rev_
FITE.2015.v27.51200
Shie, R. H. y Chan, C. C. (2013).
Tracking hazardous air pollutants
from a renery re by applying on-
line and o-line air monitoring and
back trajectory modeling. Journal
of Hazardous Materials, 261, 72-
82. http://dx.doi.org/10.1016/j.
jhazmat.2013.07.017
Silva, E. J. G., Tirabassi, T., Buske, D. y
Vilhena, M.T. (2013). A new pu
model applying an exact solution
of diusion equation. Ciência
e Natura, noviembre, 109-111.
http://www.redalyc.org/articulo.
oa?id=467546172036
Sivanandan, H., Kishore, V. R., Goel, M.
y Asthana, A. (2021). A Study on
Plume Dispersion Characteristics
of Two Discrete Plume Stacks for
Negative Temperature Gradient
Conditions. Environmental
Modeling & Assessment, 26, 405-
422. https://doi.org/10.1007/
s10666-020-09747-1
Sonibare, O. O., Adeniran, J. A. y Bello,
I. S. (2019). Landll air and odour
emissions from an integrated waste
management facility. Journal of
Environmental Health Science and
Engineering, 17(1), 13-28. http://
dx.doi.org/10.1007/s40201-018-
00322-1
Squizzato, S., Masiola, M., Rich, D. Q.
y Hopke, P. K. (2018). PM2.5 and
gaseous pollutants in New York
State during 2005–2016: Spatial
variability, temporal trends, and
economic inuences. Atmospheric
Environment, 183, 209-224.
https://doi.org/10.1016/j.
atmosenv.2018.03.045
Srivastava, A. y Elumalai, S. P. (2021).
Assessment of emission-source
contribution to spatial dispersion
for coal crusher agglomeration
using prognostic model. Cleaner
Engineering and Technology. 3,
100113. https://doi.org/10.1016/j.
clet.2021.100113
Stefanello, M. B., Degrazia, G. A.,
Maldaner, S. Buriol, C., Moor, L.
P., Carvalho, J. C., Mortarini, L. y
Rizza, U. (2016). Desenvolvimento
M     : R 
42
| C | V. XXVII | N. 33 | - | 2022 | | ISSN (): - | ISSN ( ): - |
de um modelo matemático
para descrever a dispersão de
contaminantes em situações de
meandro do vento horizontal.
Ciência e Natura, 38, 326-329.
http://www.redalyc.org/articulo.
oa?id=467547689053
Szinvelski, C. R. P., Degrazia, G.
A., Buligon, L., y Moor, L.
(2013). Dedução da equação da
variança espacial lateral para uma
nova formulação da função de
autocorrelação lagrangiana. Ciência
e Natura, noviembre, 187-190.
http://dx.doi.org/10.5902/2179-
460X11597
Tiwari, A., Kumar, P., Baldauf, R., Zhang,
K. M., Pilla, F., Di Sabatino, S.,
Brattich, E. y Pulvirenti, B. (2019).
Considerations for evaluating green
infrastructure impacts in microscale
and macroscale air pollution
dispersion models. Science of e
Total Environment, 672, 410-
426. http://dx.doi.org/10.1016/j.
scitotenv.2019.03.350
Truong, S. C. H., Lee, M., Kim, G.,
Kim, D., Park, J., Choi, S. y Cho,
G. (2016). Accidental benzene
release risk assessment in an
urban area using an atmospheric
dispersion model. Atmospheric
Environment, 144, 146-159.
https://doi.org/10.1016/j.
atmosenv.2016.08.075
Vasilopoulos, K., Sarris, I. E. y
Tsoutsanisa, P. (2019). Assessment
of air ow distribution and
hazardous release dispersion
around a single obstacle using
Reynolds-averaged Navier-Stokes
equations. Heliyon, 5(4), e
01482. https://doi.org/10.1016/j.
heliyon.2019.e01482
Venzke, C., Costa, C. P. y Pergher, R.
(2013). Resolução analítica da
equação de difusão- advecção
considerando o termo de
contragradiente aplicado à dispersão
de poluentes na atmosfera. Ciência
e Natura, noviembre, 115-118.
http://www.redalyc.org/articulo.
oa?id=467546172038
Vidal, O. A. y Pérez, A. P. (2018).
Estimación de la dispersión de
contaminantes atmosféricos
emitidos por una industria papelera
mediante el modelo AERMOD.
Ingeniería, 23(1), 31-47. https://
dialnet.unirioja.es/servlet/
articulo?codigo=6251504
Zhu, Z., Chen, B., Reniers, G., Zhang,
L., Qiu, S. y Qiu, X. (2017). Playing
Chemical Plant Environmental
Protection Games with Historical
Monitoring Data. International
Journal of Environmental Research
and Public Health, 14(10), 1155.
http://dx.doi.org/10.3390/
ijerph14101155
F R - M A - J I - L R