WIND DYNAMICS IN A NARROW URBAN VALLEY

import os
import base64
import matplotlib.pyplot as plt
import matplotlib.image as image

from IPython.display import Image, display, HTML

def suplots_image(list_png, figsize, nrows, ncols, h_pad, w_pad):
    fig, ax = plt.subplots(nrows=nrows, ncols=ncols, facecolor='w', figsize=figsize)
    ax = ax.flatten()

    for i, png in enumerate(list_png): 
        ax[i].imshow(image.imread(png))

        ax[i].spines['bottom'].set_color(None)
        ax[i].spines['top'].set_color(None)
        ax[i].spines['right'].set_color(None)
        ax[i].spines['left'].set_color(None)
        ax[i].tick_params(axis='both', which='both', labelbottom=None, labelleft=None, bottom=None, left=None)

    try: ax[i+1].axis('off')
    except: pass
    
    fig.tight_layout(h_pad=h_pad, w_pad=w_pad)
        
dir_folder = '/home/guiayala/jupyter/Notebooks/analisys/figures/'

En las últimas décadas la contaminación atmosférica se ha convertido en un grave problema que ha recibido una alta atención en diferentes centros urbanos en el mundo, debido a que afecta de manera directa la salud pública, demanera directa e indirecta la meteorología y el clima y el medio ambiente en general (Aguiar-Gil et al., 2020; Al-Thani et al., 2018; Seinfeld and Pandis, 2016). El deterioro de la calidad del aire está ocasionado, principalmente, por el rápido crecimiento de la población, ya que conlleva a la expansión del área urbana, a cambios en la cobertura y uso del suelo, al crecimiento en las actividades industriales, a un aumento del tráfico vehicular y a un mayor consumo de recursos naturales y en consecuencia, a aumentos en las emisiones de contaminantes a la atmósfera (Baklanov et al., 2016).

El Valle de Aburrá no es ajena a esta problemática, puesto que de acuerdo al más reciente inventario de emisiones, la ciudad de Medellín e Itagüí son los mayores emisores de contaminantes atmosféricos (AMVA and UPB, 2019). El material particulado con diámetro de partícula menor o igual a 2.5 micras (PM2.5) es el contaminante criterio más importante de la región, puesto que en el pasado se han registrado altos niveles de concentración hasta tal punto de poner en riesgo la salud pública. Asimismo, este contaminante está asociado a losprocesos de combustión de actividades antropogénicas (fuentes fijas y móviles, principalmente) y fuentes externas a causa del transporte de aerosoles de largo alcance tales como polvo del Sahara e incendios forestales (Aguiar-Gil et al., 2020; AMVA and UPB, 2019; Herrera-Mejía and Hoyos, 2019).

La contaminación atmosférica es un fenómeno que ocurre en la Capa Límite Atmosférica (CLA) y por ende, esta es afectada por la estructura dinámica y termodinámica de la misma (Herrera Mejía, 2015; Isaza Uribe, 2018). Estudios han demostrado que la topografía irregular con pendientes pronunciadas y las condiciones atmosféricas (de estabilidad o inestabilidad) juegan un importante papel en el proceso de transporte y dispersión de contaminantes atmosféricos emitidos desde la superficie en el Valle de Aburrá (Herrera Mejía, 2015; Isaza Uribe, 2018). Asimismo, se estudió el rol de la precipitación en relación con la contaminación atmosférica por material particulado PM2.5 en el valle (Roldán-Henao et al., 2020). Estas investigaciones han permitido avanzar en el estudio y entendimiento de la contaminación atmosférica y gestionar mejor la calidad del aire de la región. Sin embargo, es poco el conocimiento que tenemos acerca de la turbulencia atmosférica y cómo este modula la contaminación atmosférica y diferentes fenómenos meteorológicos, puesto que este es un factor clave en el transporte, acumulación y dispersión de contaminantes atmosféricos así como en la generación y evolución de eventos de precipitación, entre otros (Li et al., 2018; Oliveira et al. 2020; Ren et al., 2019, 2021; Wei et al., 2020; Xie et al., 2022; Yuan et al., 2020). Por lo tanto, estudiar turbulencia en la atmósfera nos permite estudiar los mecanismos físicos locales que modula todos estos fenómenos, lo cual es útil para la toma de decisiones (Bas van de Wiel, 2021). El objetivo de este notebook es el de realizar un análisis holístico a partir de la información de diferentes sensores y equipos que son operados por el Sistema de Alerta Temprana de Medellín y el Valle de Aburrá -SIATA- para el período comprendido entre el 19 y 28 de febrero de 2022. Este documento incluye un análisis detallado, en la medida de lo posible, del mecanismo de acumulación, dispersión y transporte y de aerosoles a gran y pequeña escala.

Episodio crítico: Febrero 20 a 27 de 2022

Cada año se presentan dos episodios críticos de contaminación atmosférica por PM2.5, la magnitud de dichos episodios está condicionada por fenómenos climáticos de gran escala. El primer periodo corresponde a los meses febrero-marzo-abril y el segundo octubre-noviembre. En dichos periodos, a partir de las mediciones de diferentes sensores remotos realizado por Herrera-Mejía and Hoyos (2019), se ha demostrado que la altura de la CLA no logra superar la altura de las montañas como resultado de las condiciones meteorológicas desfavorables, principalmente la presencia de nubes de baja altura que impiden el ingreso eficiente de la radiación a la superficie (Herrera-Mejía and Hoyos, 2019; Isaza Uribe, 2018), la cual es vital para la expasión de la CLA, haciendo que los contaminantes emitidos desde la superficie, recirculen dentro del volumen del Valle y se acumulen hasta alcanzar niveles nocivos para la salud.

El primer episodio crítico por contaminación atmosférica de 2022 fue declarado y establecido entre el 21 de febrero y 08 de abril por el Área Metropolitana del Valle de Aburrá como autoridad ambiental local. Para el objetivo actual, se decidió estudiar los últimos días del mes de febrero de 2022 debido a los diferentes fenómenos físicos que se presentaron y que afectaron al deterioro de la calidad del aire tales como eventos de precipitación e ingreso de plumas de aerosoles contaminantes provenientes de la región Norte de Colombia y Venezuela (RNCV) donde se registraron quemas de biomasa. La media móvil durante el período seleccionado se muestra en la Figura 1. A partir de esta figura se puede obsevar un aumento en los niveles de concentración de PM2.5 promedio de la red a partir del 21 de febrero hasta alcanzar un pico máximo por encima de 40 $\mu g/m^3$ el día 25 de febrero. Asimismo, dos estaciones de la red de calidad del aire lograron superar los 50 $\mu g/m^3$. Posteriormente, los niveles de concentración retornan a sus valores típicos para el final de meses de febrero.

display(Image(filename='/home/guiayala/jupyter/Notebooks/analisys/figures/TS_Pmovil24H.png'))
print("""Figura 1. Media móvil de 24 horas de PM2.5. Las series grises corresponde a las medias móviles de la red de calidad del aire y 
las serie azul conrresponde a la serie promedio de la red. La línea segmentada corresponde al límite entre ICA amarillo (por debajo) 
e ICA naranja (por encima). Finalmente, las frangas blancas y grises verticales corresponde a las horas del día y la noche, respectivamente.""")

Figura 1. Media móvil de 24 horas de PM2.5. Las series grises corresponde a las medias móviles de la red de calidad del aire y 
las serie azul conrresponde a la serie promedio de la red. La línea segmentada corresponde al límite entre ICA amarillo (por debajo) 
e ICA naranja (por encima). Finalmente, las frangas blancas y grises verticales corresponde a las horas del día y la noche, respectivamente.

Análisis de series de tiempo

Condiciones ambientales meteorológicas de gran escala en el Valle de Aburrá

Actualmente, el equipo de calidad del aire de SIATA opera dos equipos Aethalometer AE33, los cuales realizan mediciones de concentraciones de Black Carbon (BC) en tiempo real desde finales del año 2019 hasta el presente. Estos equipos proporcionan datos de especiación de aerosoles mediante el análisis óptico de múltiples longitudes de onda, discretizando el BC asociados a biomasa ($BC_{bm}$) y a combustibles fósiles ($BC_{cf}$). Asimismo, ambos equipos se encuentra ubicados en CEN-TRAF e ITA-POGO y entregan concentraciones en unidades de $ng/m^3$ con una resolución temporal de un minuto. Estos equipos han sido utilizados en la identificación de fuentes de emisión, entre las cules se encuentras las actividades asociadas a quema de biomasa (Blanco-Donado et al., 2022; Quirama and Morales, 2016; Rincón-Riveros et al., 2020). A continuación se presenta un análisis detallado de los procesos físicos involucrados en el evento de contaminación atmosférica y dada la variabilidad del PM2.5 se destacan dos etapas características correspondientes al aumento en la concentración durante las noches y reducción en la cocentración en el día.

Etapa 1 : Noches

Durante el período seleccionado se registró un incremento importante en la concentración porcentual de $BC_{bm}$ en las noches del 23, 24 y del 25 y levemente en las noches del 22 y 26 de febrero de 2022, lo cual está asociado al ingreso de plumas de contaminación desde el norte del Valle de Aburrá a causa del transporte regional de aerosoles provenientes de la RNCV, donde climatológicamente se presentan aumentos en la cantidad de puntos calientes asociados a quema de biomasa entre los meses de enero y abril (Rincón-Riveros et al., 2020), ver Figura 3. La Figura 3a muestra como ejemplo el ingreso de la pluma de contaminación registrada durante la noche del 26 de febrero de 2022, allí se muestra el desplazamiento de la pluma en dirección norte a sur siguiendo el eje de valle y que ocurrió similarmente en las otras noches. En adición, la Figura 3b muestra la noche de un día típico sin afectación, con el fin de comparar. Por otro lado, La Figura 4 muesta el perfil vertical de la velocidad horizontal del viento durantes esas noches, allí se puede observar un claro desacoplamiento entre la atmósfera más superficial y la superior variando en el rango de 1 a 2 Km de altura, dado que se presenta una reducción en la magnitud y cambio en la dirección del vector viento, lo cual está relacionado con la capa de inversión térmica. En esta figura también se observa un aumento en la velocidad del viento proveniende en la dirección NNE, tal y como el eje del valle está orientado, en la noche del 24, 25 y 26 de febrero, principalmente. Estos resultados, el desacoplamiento de la atmósfera baja, aumento en la velocidad del viento superficial y topografía, favoreción la acumulación y circulación de aerosoles al interior del Valle de Aburrá, aumentando los niveles de concentración de PM2.5 y por ende, deteriorando la calidad del aire. por otra parte, la Figura 5 muestra las retrotrayectorias de masas de aire que llegaron durante las noches anteriormente mencionadas, donde se registró un aumento continuo, hasta la noche del 25, en el porcentaje de retrotrayectorias que pasaron sobre zonas con altos niveles de AOD, los cuales están asociados a actividades de quema de biomasa o incendios forestales. De igual manera, durante esas noches no se registraron eventos de precipitación, el cual es un mecanismo eficiente para la remoción húmeda de material particulado PM2.5 (Roldán et al., 2020), ver Figura 2b.

Etapa 2 : Día

Durantes las horas del día, se puede observar claramente una relación inversa entre la radiación solar y el PM2.5. Esto se debe a que el calentamiento sensible de la superficie terrestre que da lugar a flujos turbulentos y a su vez, a la inestabilización de la CLA y expación de la misma, la cual se mantendrá hasta el ocaso (valores negativos de $\Delta \theta_{200}$) y por tanto, la contaminación acumulada la noche anterior y las emisiones locales generadas durante el día son dispersados y transportados fuera del valle, reduciendo así las concentraciones de PM2.5 en la superfice, ver Figura 2c y 2d respectivamente. Este es un importante mecanismo de dispersión y transporte de contaminantes atmosféricas en la CLA en el Valle de Aburrá (Herrera and Hoyos, 2019), puesto que esta actúa como un interfaz en los procesos de intercambio de momentum, vapor de agua, gases y contaminantes entre la superficie y la atmósfera libre (Stull, 1988).

list_dir_pm25_var_png = sorted([dir_folder+png for png in os.listdir(dir_folder) if png.endswith('.png') if png.startswith('pm25') if not 'tke' in png if not 'friction' in png if not 'wt' in png if not 'wu' in png])
suplots_image(list_png=list_dir_pm25_var_png, nrows=2, ncols=2, figsize=(21, 16), h_pad=0.01, w_pad=0.01)
print("""Figura 2. Serie temporal de material particulado PM2.5 contra a) concentración porcentual de BC asociado a biomasa, b) Precipitación líquida, c) radiación solar y d) Índice de estabilidad atmosférica.""")

Figura 2. Serie temporal de material particulado PM2.5 contra a) concentración porcentual de BC asociado a biomasa, b) Precipitación líquida, c) radiación solar y d) Índice de estabilidad atmosférica.

b64_1 = base64.b64encode(open('/home/guiayala/jupyter/Notebooks/analisys/figures/26feb.gif','rb').read()).decode('ascii')
b64_2 = base64.b64encode(open('/home/guiayala/jupyter/Notebooks/analisys/figures/04oct.gif','rb').read()).decode('ascii')
display(HTML("""
<head>
    <style>
        #izquierda{float:left}
        #derecha{float:left}
    </style>
</head>

<body>
    <div id="izquierda">
        <img src="data:image/gif;base64,%s" width="600" />
    </div>

    <div id="derecha">
        <img src="data:image/gif;base64,%s" width="600" />
    </div>
</body>"""%(b64_1, b64_2)))

print("""Figura 3. Animación de la red de ciudadanos científicos para las noches (a) del 26 de febrero y (b) 04 de octubre de 2022, donde se observa el ingreso de una pluma de contaminación
desde el norte del Valle de Aburrá y un día típico sin afectación, respectivamente.""")

Figura 3. Animación de la red de ciudadanos científicos para las noches (a) del 26 de febrero y (b) 04 de octubre de 2022, donde se observa el ingreso de una pluma de contaminación
desde el norte del Valle de Aburrá y un día típico sin afectación, respectivamente.

list_dir_windbarbs_png = sorted([dir_folder+png for png in os.listdir(dir_folder) if png.endswith('.png') if png.startswith('wind_barbs')])
list_dir_windbarbs_png.remove('/home/guiayala/jupyter/Notebooks/analisys/figures/wind_barbs_2022-02-22.png')
suplots_image(list_png=list_dir_windbarbs_png, nrows=2, ncols=2, figsize=(21, 16), h_pad=None, w_pad=None)
print("""Figura 4. Perfil vertical de la velocidad horizontal del viento durante las noches del 23, 24, 25 y 26 de febrero de 2022.""")

Figura 4. Perfil vertical de la velocidad horizontal del viento durante las noches del 23, 24, 25 y 26 de febrero de 2022.

list_dir_pm25_var_png = sorted([dir_folder+png for png in os.listdir(dir_folder) if png.endswith('.png') if png.startswith('BT_')])
suplots_image(list_png=list_dir_pm25_var_png, nrows=2, ncols=3, figsize=(30, 16), h_pad=0.01, w_pad=0.01)
print("""Figura 5. Retrotrayectorias de masas de aire que arribaron al Valle de Aburrá en horas de la noche del 23, 24, 25, 26 y 27 de febrero de 2022.""")

Figura 5. Retrotrayectorias de masas de aire que arribaron al Valle de Aburrá en horas de la noche del 23, 24, 25, 26 y 27 de febrero de 2022.

Rol de la turbulencia atmosférica en un evento de contaminación atmosférica en el Valle de Aburrá

En la sección anterior se presentó un análisis de la información meteorológica de gran escala en relación al deterioro de la calidad de la calidad del aire. Asimismo, se establecieron los mecanismos físicos detrás del proceso acumulación y circulación de contaminantes atmosféricos al interior del valle durante las noches, así como al mecanismo de dispersión y transporte de aerosoles fuera del valle durante las horas de mañana. A continuación se presenta un análisis de la información recolectada con la red de micrometeorología, el cual es operada por el equipo de calidad del aire de SIATA y tiene el objetivo de estudiar a largo plazo la turbulencia atmosférica al interior del Valle de Aburrá, puesto que es un factor clave en los procesos de acumulación, dispersión y transporte de contaminantes atmosféricos, así como la generación de fenómenos meteorológicos. Por lo tanto, estudiar turbulencia atmosférica permite establecer los mecanismos físicos que dan origen, y su evolución, de diferentes fenómenos meteorológicos y de eventos de contaminación atmosférica (Li et al., 2016; Oliveira et al. 2020; Ren et al., 2019, 2021; Wei et al., 2020; Xie et al., 2022; Yuan et al., 2020), lo cual es importante para la gestión y gobernanza del recurso aire (Bas van de Wiel, 2021).

El Valle de Aburrá se encuentra ubicado en la cordillera central de la región andina colombiana y es la segunda área metropolitana que concentra la mayor población en el país. Asimismo, se caracteriza por presentar una topografía compleja con fuertes pendientes en sus laderas que limita la advección horizontal de contaminantes y presenta usualmente vientos superficiales débiles. Estos aspectos hace que sea un reto estudiar la turbulencia atmosférica, dado que los terrenos topográficamente complejos tiene una alta influencia en la dinámica de viento, entre estos el intercambio de momentum, calor, humedad, gases y contaminantes entre la superfice y la atmósfera, los cuales son poco entendidos (Vosper et al., 2018).

La turbulencia en la CLA es generada principalmente por fuerzas de flotabilidad (boyancia), el cual está asociado al calentamiento sensible del suelo y la cizalladura del viento (Venkatram and Schulte, 2018). La Figura 6 muestra las series temporales de PM2.5 contra la energía cinética turbulenta (TKE), velocidad de fricción (u*) y flujos turbulentos verticales de calor ($\overline{w'\theta'}$) y momentum ($\overline{w'u'}$), donde el TKE es una medida de la intensidad de la turbulencia medida, u* es una medida de la producción de turbulencia por cizalladura del viento, lo cual también está relacionado con la transferencia de momentum ($\overline{w'u'}$) y que a su vez, indica cambios a en la magnitud y dirección del viento. Finalmente, $\overline{w'\theta'}$ es una medida de la transferencia de calor en la vertical, lo cual está relacionado con la producción de turbulencia por fuerzas de flotabilidad.

Etapa 1 : Noches

En las noches de 20, 21 y 22 de febrero se puede observar claramente importantes incrementos en la TKE, ver Figura 5a, esto se debe a los eventos de precipitación que se registraron en el Valle de Aburrá (ver Figura 2b). En una sección posterior se realizará un análisis detallado de la turbulencia en la evolución/paso de estos eventos de precipitación sobre la región. Asimismo, en las noches del 23, 24 y 25, aunque no se registra un pico como en las noches antes del evento de contaminación, igualmente se registran altos valores de TKE durante la noche, lo cual se debe a la producción de turbulencia por cizalladura del viento, es decir, un aumento en la velocidad de fricción (u*), ver Figura 6a y 6b. De igual manera, se registraron valores importantes y negativos en el flujo de momentum, ver Figura 3d. Estos resultados indica un transferencia de momentun hacia la superfice (Wei et al., 2020), lo cual resultó en transporte de aire contaminado hacia la superfice terrestre a causa de la pluma de contaminación, aumentando así los niveles de concentración en superficie (Li et al., 2018). Para el caso de la noche del 26, aunque se registró el ingreso de una pluma de contaminación y un desacople de la atmósfera, la velocidad de fricción e flujo de momentos fue menos en comparación con los días anteriores, lo cual implica un transporte menor de aire contaminado hacia la superficie terrestre (Li et al., 2018; Wei et al., 2020).

Etapa 2 : Día

Durante las horas diurnas del 23, 24 y 25, se puede observar flujos importantes de calor, lo cual implica ascensos de parcelas de aire y en producción de turbulencia, ver Figura 6c. Asimismo, se pueden observar los máximos valores de u* implicando una mayor producción de turbulencia. Esto permitió el ascenso de aire contaminado fuera del valle y por ende, en la reducción en los niveles de concentración de PM2.5. Para el caso de las horas diurnas del día 26, se puede observar un reducción importante en el flujo turbulento de calor en comparación con los otros días (ver Figura 6c). A pesar de esto, se puede observar que la producción de turbulencia por cizalladura de viento es comparable con los otros días, lo cual implica que la reducción en la concentración de PM2.5 se debió a la dispersión y transporte por turbulencia generada mecánicamente principalmente (Li et al., 2018).

list_dir_pm25_var_png = sorted([dir_folder+png for png in os.listdir(dir_folder) if png.endswith('.png') if png.startswith('pm25')])
list_dir_pm25_var_png = [png for png in list_dir_pm25_var_png if 'tke' in png] + [png for png in list_dir_pm25_var_png if 'friction' in png] + \
                        [png for png in list_dir_pm25_var_png if 'wt' in png] + [png for png in list_dir_pm25_var_png if 'wu' in png]

suplots_image(list_png=list_dir_pm25_var_png, nrows=2, ncols=2, figsize=(21, 16), h_pad=0.01, w_pad=0.01)
print("""Figura 5. Serie temporal de material particulado PM2.5 contra (a) energía cinética de turbulencia (TKE), (b) velocidad de fricción (u*) y (c) transporte vertical de calor.""")

Figura 5. Serie temporal de material particulado PM2.5 contra (a) energía cinética de turbulencia (TKE), (b) velocidad de fricción (u*) y (c) transporte vertical de calor.

Bibliografía

• Aguiar-Gil, D., Gómez-Peláez, L. M., Álvarez-Jaramillo, T., Correa-Ochoa, M. A., and Saldarriaga-Molina, J. C. (2020). Evaluating the impact of pm2.5 atmospheric pollution on population mortality in an urbanized valley in the american tropics. Atmospheric Environment, 224:117343.

• Al-Thani, H., Koç, M., and Isaifan, R. J. (2018). A review on the direct effect of particulate atmospheric pollution on materials and its mitigation for sustainable cities and societies. Environmental science and pollution research, 25(28):27839–27857.

• AMVA and UPB (2019). Actualización inventario de emisiones atmosféricas del Valle de Aburrá - Año 2018. Technical report, Universidad Pontificia Bolivariana, Medellín, Antioquia - Colombia.

• Baklanov, A., Molina, L. T., and Gauss, M. (2016). Megacities, air quality and climate. Atmospheric Environment, 126:235–249.

• Bas van de Wiel (2021), "The collapse of atmospheric turbulence", Project Repository Journal, 10, pp.90-93. Available at https://www.europeandissemination.eu/article/collapse-atmospheric-turbulence/15956. (Accessed: 04 Oct 2022)

• Blanco-Donado, E. P., Schneider, I. L., Artaxo, P., Lozano-Osorio, J., Portz, L., & Oliveira, M. L. (2022). Source identification and global implications of black carbon. Geoscience Frontiers, 13(1), 101149.

• Herrera-Mejía, L. and Hoyos, C. D. (2019). Characterization of the atmospheric boundary layer in a narrow tropical valley using remote-sensing and radiosonde observations and the wrf model: the aburrá valley case-study. Quarterly Journal of the Royal Meteorological Society, 145(723):2641–2665.

• Isaza Uribe, A. (2018). Evaluación de la variabilidad temporal de la estructura termodinámica de la atmosfera y su influencia en las concentraciones de material particulado dentro del valle de aburrá. Escuela de Geociencias y Medio Ambiente - Universidad Nacional de Colombia.

• Li, J., Sun, J., Zhou, M., Cheng, Z., Li, Q., Cao, X., & Zhang, J. (2018). Observational analyses of dramatic developments of a severe air pollution event in the Beijing area. Atmospheric Chemistry and Physics, 18(6), 3919-3935.

• Oliveira, M. I., Acevedo, O. C., Sörgel, M., Nascimento, E. L., Manzi, A. O., Oliveira, P. E., ... & Andreae, M. O. (2020). Planetary boundary layer evolution over the Amazon rainforest in episodes of deep moist convection at the Amazon Tall Tower Observatory. Atmospheric Chemistry and Physics, 20(1), 15-27.

• Quirama, M., & Morales, R. (2016, December). Equivalent Black Carbon measurements and spectral analysis of absorption coefficient during a biomass burning episode in the city of Bogotá, Colombia. In AGU Fall Meeting Abstracts (Vol. 2016, pp. B33H-0728).

• Ren, Y., Zhang, H., Wei, W., Cai, X., Song, Y., & Kang, L. (2019). A study on atmospheric turbulence structure and intermittency during heavy haze pollution in the Beijing area. Science China Earth Sciences, 62(12), 2058-2068.

• Ren, Y., Zhang, H., Zhang, X., Wei, W., Li, Q., Wu, B., ... & Zhu, T. (2021). Turbulence barrier effect during heavy haze pollution events. Science of the Total Environment, 753, 142286.

• Rincón-Riveros, J. M., Rincón-Caro, M. A., Sullivan, A. P., Mendez-Espinosa, J. F., Belalcazar, L. C., Quirama Aguilar, M., & Morales Betancourt, R. (2020). Long-term brown carbon and smoke tracer observations in Bogotá, Colombia: association with medium-range transport of biomass burning plumes. Atmospheric Chemistry and Physics, 20(12), 7459-7472.

• Roldán-Henao, N., Hoyos, C. D., Herrera-Mejía, L., and Isaza, A. (2020). An investigation of the precipitation net effect on the particulate matter concentration in a narrow valley: Role of lower-troposphere stability. Journal of Applied Meteorology and Climatology, 59(3):401–426

• Seinfeld, J. H. and Pandis, S. N. (2016). Atmospheric chemistry and physics: from air pollution to climate change. John Wiley & Sons.

• Stull, R. B. (1988). An introduction to boundary layer meteorology (Vol. 13). Springer Science & Business Media.

• Venkatram, A., & Schulte, N. (2018). Fundamentals of Micrometeorology and Dispersion.

• Vosper, S. B., Ross, A. N., Renfrew, I. A., Sheridan, P., Elvidge, A. D., & Grubišić, V. (2018). Current challenges in orographic flow dynamics: turbulent exchange due to low-level gravity-wave processes. Atmosphere, 9(9), 361.

• Wei, W., Zhang, H., Wu, B., Huang, Y., Cai, X., Song, Y., and Li, J. (2018). Intermittent turbulence contributes to vertical diffusion of pm2. 5 in the north china plain. Atmos Chem Phys, 18:12953–12967.

• Xie, J., Lan, C., Yang, H., Gao, R., Lu, C., Wang, B., ... & Li, L. (2022). Tower-observed structural evolution of the low-level boundary layer before, during, and after gust front passage in a coastal area at low latitude. Weather and Climate Extremes, 36, 100429.

• Yuan, Z., Qin, J., Zheng, X., and Mbululo, Y. (2020). The relationship between atmospheric circulation, boundary layer and near-surface turbulence in severe fog-haze pollution periods. Journal of Atmospheric and Solar-Terrestrial Physics, 200:105216.

Eventos de precipitación

display(Image(filename='/home/guiayala/jupyter/Notebooks/analisys/figures/thunderstorm.jpg', width=700, height=700))

display(Image(filename='/home/guiayala/jupyter/Notebooks/analisys/figures/CD_wind_direction_2022-02-22.png'))

Contaminación atmosférica

list_dir_CDwind_thies_png = sorted([dir_folder+png for png in os.listdir(dir_folder) if png.endswith('.png') if png.startswith('CD_wind_direction')])
list_dir_CDwind_thies_png.remove('/home/guiayala/jupyter/Notebooks/analisys/figures/CD_wind_direction_2022-02-22.png')

print('23 feb - 24 feb\n25 feb - 26 feb')
suplots_image(list_png=list_dir_CDwind_thies_png, nrows=2, ncols=2, figsize=(30, 16), h_pad=None, w_pad=None)