1 / 25

Sistemas Clasificadores Neuronales Patrones de Dispersión de Contaminantes Alejandro Peña P., PhD.

Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación ( AEPuff ) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud

ken
Download Presentation

Sistemas Clasificadores Neuronales Patrones de Dispersión de Contaminantes Alejandro Peña P., PhD.

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía Sistemas Clasificadores Neuronales Patrones de Dispersión de Contaminantes Alejandro Peña P., PhD. pfjapena@gmail.com Rodrigo Jiménez Pizarro, PhD. rjimenez@unal.edu.co Jesús Antonio Hernández R., PhD. jahernan@unal.edu.co Grupo de Investigación en Ingeniería del Software y Modelamiento Computacional (GISMOC) Escuela de Ingeniería de Antioquia

  2. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Para mitigar los efectos que la contaminación por material particulado PMx ocasiona en una zona de estudio, es necesario determinar su comportamiento en el espacio y en el tiempo. • Para tal efecto, se requiere superar una serie de limitantes tanto físicas como matemáticas, las cuales están directamente relacionadas con un fenómeno de dispersión, y su observabilidad en el espacio y en el tiempo (Peña, Hernández & Toro, 2010(a)), Peña, Hernández & Toro, 2010(a)). • Para la solución de este problema, muchos investigadores han apelado al uso de diferentes modelos de dispersión, entre los que destacan los modelos lagrangianos (Martín et al., 2002). • Para el caso de la dispersión de material particulado - PMx, estos modelos consideran el puff, como el elemento fundamental de contaminación (Aceña et al., 2007). • A diferencia de los modelos gaussianos, los modelos lagrangianosbasan su dinámica en el comportamiento de los campos de viento presentes en una zona de estudio (Israelsson et al., 2007). Introducción

  3. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía Los modelos de dispersión, se pueden agrupar de manera general de la siguiente manera (Martín et al., 2006): 1. Modelos Gaussianos. 2. Modelos Lagrangianos. 3. Modelos de Caja. 4. Modelos Numéricos Eulerianos. 5. Otras Clasificaciones: • Clasificación Espacial. • Clasificación Temporal. Modelos de Dispersión de Contaminantes

  4. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía Los modelos de dispersión, se pueden agrupar de manera general de la siguiente manera (Martín et al., 2006): 1. Modelos Gaussianos. 2. Modelos Lagrangianos. 3. Modelos de Caja. 4. Modelos Numéricos Eulerianos. 5. Otras Clasificaciones: • Clasificación Espacial. • Clasificación Temporal. Modelos de Dispersión de Contaminantes

  5. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía Los modelos de dispersión, se pueden agrupar de manera general de la siguiente manera (Martín et al., 2006): 1. Modelos Gaussianos. 2. Modelos Lagrangianos. 3. Modelos de Caja. 4. Modelos Numéricos Eulerianos. 5. Otras Clasificaciones: • Clasificación Espacial. • Clasificación Temporal. Modelos de Dispersión de Contaminantes

  6. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía Los modelos de dispersión, se pueden agrupar de manera general de la siguiente manera (Martín et al., 2006): 1. Modelos Gaussianos. 2. Modelos Lagrangianos. 3. Modelos de Caja. 4. Modelos Numéricos Eulerianos. 5. Otras Clasificaciones: • Clasificación Espacial. • Clasificación Temporal. Modelos de Dispersión de Contaminantes

  7. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Para determinar el comportamiento espacio temporal de la concentración para PMx, se propone un modelo inspirado en una Red Neuronal de Kohonen (SOM- SelfOrganizationMap) (Isazi & Galván, 2004). • Aquí, la capa salida representa la ubicación espacial de m_estacionesde monitoreo, mientras que la capa de entrada, muestra la ubicación espacial de la n_fuentes puntualesde emisión. Comportamiento Espacio Temporal

  8. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Para determinar el comportamiento espacio temporal de la concentración para PMx, se propone un modelo inspirado en una Red Neuronal de Kohonen (SOM- SelfOrganizationMap) (Isazi & Galván, 2004). • Aquí, la capa salida representa la ubicación espacial de m_estacionesde monitoreo, mientras que la capa de entrada, muestra la ubicación espacial de la n_fuentes puntualesde emisión. Comportamiento Espacio Temporal

  9. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • De manera formal, el modelo neuronal anterior se denota y define de la siguiente manera: • Donde: • ne: Número de Estaciones de Monitoreo. • nf: Número de Fuentes de Emisión. • np. Número de puffs emitidos por la fuente en un instante de tiempo dado (min). • De acuerdo con lo anterior, el flujo de puffs entre fuentes y estaciones, estará determinado por los campos de viento presentes en la zona de estudio. Comportamiento Espacio Temporal

  10. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • De manera formal, el modelo neuronal anterior se denota y define de la siguiente manera: • Donde: • ne: Número de Estaciones de Monitoreo. • nf: Número de Fuentes de Emisión. • np. Número de puffs emitidos por la fuente en un instante de tiempo dado (min). • De acuerdo con lo anterior, el flujo de puffs entre fuentes y estaciones, estará determinado por los campos de viento presentes en la zona de estudio. Comportamiento Espacio Temporal

  11. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • De acuerdo con la estructura del modelo propuesto, y de acuerdo con la información disponible (Concentración para PMx), el modelo requiere de la estimación de las emisiones en las n_fuentes de emisión consideradas. • Para la estimación de emisiones, se utilizará un modelo lagrangiano de puffs gaussianos por evoluciónde tipo inverso, o receptor fuente, llamado AEPuff(Peña, Hernández & Toro, 2010(b)). Comportamiento Espacio Temporal

  12. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Para optimizar el proceso de estimación de las emisiones, el modelo requirió de la incorporación de un sistema clasificador para los campos de viento. • Para tal efecto, fue necesario la utilización de un clasificador neuronal, basado en los principios de un modelo del tipo ART (AdaptativeResonanceTemporary) (Isazi & Galván,2004). • Cada uno de los patrones utilizado por el clasificador ART1 para su aprendizaje, estará representado en términos de números binarios. • El modelo ART1, recibe los patrones de campos de viento y los lleva a una capa de reconocimiento(plasticidad y estabilidad) (Isazi & Galván, 2004). • La capa de reconocimiento, posee un factor de similitud que determina la pertenencia de un patrón a una categoría. De lo contrario, el sistema define una nueva categoría. Sistema Clasificador Neuronal Vector Velocidad Vector de Ángulos

  13. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Para el análisis y la validación del sistema clasificador neuronal, se llevaron a cabo 7 (siete) campañas de medida. • En donde para determinar su comportamiento, fue necesario la incorporación de un índice llamado índice de compresión: • IC=(1-nc/np)=1-nc/480 • Donde. • nc: Número de patrones clasificados. • np: Número de patrones totales. Sistema Clasificador Neuronal

  14. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Para el análisis y la validación del sistema clasificador neuronal, se llevaron a cabo 7 (siete) campañas de medida. • En donde para determinar su comportamiento, fue necesario la incorporación de un índice llamado índice de compresión: • IC=(1-nc/np)=1-nc/480 • Donde. • nc: Número de patrones clasificados. • np: Número de patrones totales. Sistema Clasificador Neuronal

  15. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • El comportamiento del clasificador neuronal a lo largo del proceso de estimación de las emisiones para cada campaña de medida, mostró el siguiente comportamiento. Sistema Clasificador Neuronal 10% 80% 100%

  16. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • El comportamiento del clasificador neuronal a lo largo del proceso de estimación de las emisiones para cada campaña de medida, mostró el siguiente comportamiento. Sistema Clasificador Neuronal 10% 80% 100%

  17. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • De esta manera, la integración del sistema clasificador neuronal con el modelo lagrangianoutilizado para la estimación de emisiones, arroja como resultado una serie de patrones espaciales horariosde concentración para PMx. Patrones Espaciales Horarios

  18. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • De esta manera, la integración del sistema clasificador neuronal con el modelo lagrangianoutilizado para la estimación de emisiones, arroja como resultado una serie de patrones espaciales horariosde concentración para PMx. Patrones Espaciales Horarios

  19. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • De esta manera, la integración del sistema clasificador neuronal con el modelo lagrangianoutilizado para la estimación de emisiones, arroja como resultado una serie de patrones espaciales horariosde concentración para PMx. Patrones Espaciales Horarios

  20. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • El sistema clasificador neuronal, permitió la optimización del tiempo de estimación en el modelo lagrangiano utilizado para la estimación de emisiones (AEPuff). • Estos patrones de flujo de puffs, determinaron una serie de patrones horarios para la dispersión de material particulado PMx en una zona de estudio, de acuerdo con los principios lagrangianosde dispersión. • Debido al proceso de aprendizaje y adaptación utilizado por el modelo para la clasificación de los patrones horarios de campos de viento, se puede observar con el paso de las iteraciones una estabilización del tiempo de estimación para cada hora que comprende una campaña de medida. • Debido al flujo de puffs, los tiempos de estabilización para la estimación fueron en aumento, a medida que el número de puffs emitidos por una fuente en particularfue en aumento. • De acuerdo con los principios de la computación neuronal, el modelo puede ser generalizado por adaptación y aprendizaje, a diferentes zona de estudio. Conclusiones.

  21. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Igualmente, este modelo puede ser generalizado para el reconocimiento de patrones de viento, integrando para ello diferentes alturas, generando un sistema clasificador neuronal de reconocimiento multinivel. • El sistema clasificador neuronal, se puede extender a la identificación de patrones horarios de dispersión de contaminantes, teniendo en cuenta para ello la integración de un modelo de dispersión. • El mapeo del comportamiento temporal de las emisiones en la zona de estudio, permitirá extender el concepto de patrones horarios de dispersión de material particulado PMx, al concepto de mapas de pronóstico. • Para configurar mapas de pronóstico por evolución, hay que tomar una serie de patrones horarios de comportamiento para cada una de las fuentes de emisión consideradas. Conclusiones.

  22. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Aceña , B., F. Martín , A. DePascual, V. Sanfelix, S Gomar, y E. Monfort. «Estimación de Emisiones de Partículos PM10 desde Fuentes Difusas.» Congreso Colombiano de Calidad del Aire y Salud Pública.Manízales: Universidad Nacional de Colombia, 2007. • Allen, T.C. , S.G. Young , y S.E. Haupt . «Improving pollutant source characterization by better estimating wind direction with a genetic algorithm .» AtmosphericEnvironment 41(11), 2007: 2283-2289, doi: 10.1016/j.atmosenv.2006.11.007. • Coello, Carlos. Introducción a la Computación Evolutiva. México D.F.: Centro de Investigaciones Avanzadas CINVESTAV, 2004. • Haupt, Sue Ellen, George S. Young, y Christopher T. Allen. «A Genetic Algorithm Method to assimilate Sensor Data for a Toxic Contaminant Release.» Journal of Computers (2) - 6, 2007: 85-92, ISSN : 1796-203X . • Hsin-Chung , L., C. Cheng-Liang, y H. Jen-Chien . «Classification of PM10 distributions in Taiwan .» AtmosphericEnvironment 40, 2006: 1452-1463, doi: 10.1016/j.atmosenv.2005.10.051. • Isazi V., Pedro, y Inés Galván L. Redes de Neuronas Artificiales Un enfoque práctico.Madrid: Pearson Education, S.A., ISBN:84-205-4025-0, 2004. • Israelsson, P., K. Do, y E. Adams. «A comparison of three lagrangian approaches for extending near field mixing calculations.» Environmental Modelling & Software (21), 2006: 1631-1649, doi:10.1016/j.envsoft.2005.07.008. • Kohonen , T. . «Self-organized formation of Topologically correct feature maps.» BiologicalCybernetics (43), 1982: 59-69, ISSN: 0340-1200, En (Isazi & Galván , 2004). Bibliografía

  23. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Kukkonen, J., L. Partanen, y A. Karpinen. «Extensive evaluation of neural network models for the prediction of NO2 and PM10 concentrations compared.» AE International - Eurpe, AtmosphericEnvironment 37, 2003: 4539-4550, doi:10.1016/S1352-2310(03)00583-1. • Martín Ll., F., C. Gonzalez, y I et al.. Palomino. SICAH, Sistema Informático para el Control y Prevención de la Contaminación Atmósferica en Huelva. Madrid: Centro de Investigaciones Energeticas, Medioambientales y Tecnológicas, CIEMAT, 2002. • Peña P. , A. , J. Hernández R. , y M.V. Toro G. . «Asynchronous Evolutionary Inverse Modeling for PM10 Spatial Characterization.» 18 th. IMACS Congress MODSIM09. Cairns, Australia, ISBN: 978-0-9758400-7-8, 2009(a). • Peña P. , A. , J.A. Hernández R. , y M.V. Toro G. . «Evolutonary inverse lagrangian puff model.» Environmental Modelling & Software (25) - 12, 2010(b): 1890-1893, doi: 10.1016/j.envsoft.2010.04.013. • Peña P., A., J.A. Hernández R., y M.V. Toro G. . «Evolutionary Inverse Modelling for PM10 Pollutant Dispersion.» En Soft Computing Methods for Practical Environmental Solutions: Techniques and Studies, de Mario Gestal y Daniel Rivero, 293-313, doi: 10.4018/978-1-61520-893-7. Hershey, USA: IGI Global, 2010(a). • Peña, A., A. Hernández, y M. Toro. «Evolutionary Inverse Lagrangian puff Model.» EnvironamentalModelling & Software (25) 12 - Software an Data News, 2010(b): 1890-1893, doi: 10.1016/j.envosft.201.04.013. Bibliografía

  24. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía • Pérez, P., y J. Reyes . «An Integrated neural network model for PM10 forecasting» AtmosphericEnvironment 40, 2006: 2845-2851, doi:10.1016/j.atmosenv.2006.01.010. • Tejada, G., y J. Eduardo. «Análisis de redes neuronales fuzzy ART como motores de inferencia.» EPIS-UNAS, 2004: http://www.ucsp.edu.pe/~etejada/docs/tesis-eduardo.pdf. Bibliografía

  25. Sistemas Clasificadores Neuronales Contenido Introducción Modelos de Dispersión Comportamiento Espacio Temporal Concepto SOM Zona de Estudio Modelo Formal Modelo de Estimación (AEPuff) Sistema Clasificador Neuronal Patrón de Campos Plasticidad y Estabilidad Factor de Similitud Índice de Compresión Tiempo de Estabilidad Patrones de Dispersión Conclusiones Bibliografía Muchas Gracias

More Related