En esta página se informa y se muestra el enlace a diferentes modelos de previsión de polen atmosférico. También se informa acerca de los modelos desarrollados y empleados por la Red Española de Aerobiología para realizar sus pronósticos.

Los métodos de previsión polínica se basan en el modelado de distintos procesos naturales relacionados con la producción, liberación, transporte, deposición y resuspensión de los granos de polen en la atmósfera. Otro enfoque consiste en aplicar métodos basados en modelos estadísticos que relacionen el polen atmosférico con diferentes variables ambientales o el análisis de series temporales.

SILAM
SILAM es uno de los modelos de polen atmosférico más empleados en Europa. Se basa en el modelado de la producción y liberación de polen por las distintas superficies de emisión y en la dinámica que siguen los granos de polen en la atmósfera hasta que se depositan. El modelo SILAM fue desarrollado por el Instituto Meteorológico Finlandés (FMI). Tanto en su entrenamiento como en su validación participa REA a través de la European Aeroallergen Network (EAN). El pronóstico de este modelo puede ser consultado en España para diferentes tipos polínicos relevantes, entre los que destaca el abedul, las gramíneas o el olivo. Hasta la fecha, el modelo SILAM no utiliza datos reales de polen para su asimilación.

SILAM

 

Sofiev, M., Siljamo, P., Ranta, H., Linkosalo, T., Jaeger, S., Rasmussen, A., … & Kukkonen, J. (2013). A numerical model of birch pollen emission and dispersion in the atmosphere. Description of the emission module. International journal of biometeorology, 57(1), 45-58.

Prank, M., Sofiev, M., Siljamo, P., & Kauhaniemi, M. (2016). Increasing the Number of Allergenic Pollen Species in SILAM Forecasts. In Air Pollution Modeling and its Application XXIV (pp. 313-317). Springer, Cham.

 

COSMO-ART
COSMO-ART es un modelo desarrollado por el Instituto Meteorológico Suizo (METEOSWISS). También se basa en el modelado de la dinámica atmosférica de los granos de polen pero integra módulos más complejos que modelan el polen a una mayor resolución en las tres direcciones del espacio. Hasta la fecha este modelo sólo puede ser consultado para Suiza y la región alpina.

COSMO-ART

Vogel, B., Vogel, H., Bäumer, D., Bangert, M., Lundgren, K., Rinke, R., & Stanelle, T. (2009). The comprehensive model system COSMO-ART–Radiative impact of aerosol on the state of the atmosphere on the regional scale. Atmospheric Chemistry & Physics, 9(22).

Zink, K., Vogel, H., Vogel, B., Magyar, D., & Kottmeier, C. (2012). Modeling the dispersion of Ambrosia artemisiifolia L. pollen with the model system COSMO-ART. International journal of biometeorology, 56(4), 669-680.

 

COPERNICUS
COPERNICUS es un programa de la Unión Europea que pretende aunar la eficacia de los diferentes modelos de calidad del aire desarrollados en los distintos países. Entre los distintos aerosoles que se integran aparecen diferentes tipos polínicos de gran relevancia a nivel continental: abedul, gramíneas y olivo. REA también ha contribuido a alguno de los modelos que lo integran, como SILAM, a través de la European Aeroallergen Network (EAN).

COPERNICUS

 

MODELO DE REA

En REA venimos trabajando mucho tiempo en diferentes enfoques de modelización que permitan realizar una previsión robusta y de utilidad. Actualmente seguimos trabajando para mejorar la exactitud y precisión de nuestros modelos. El modelo de REA, a diferencia de los anteriores, si emplea la asimilación de datos de polen reales para su continua ejecución. También se diferencia en que es un modelo de concentraciones diarias en superficie y no horarias. El enfoque utilizado no se basa en el modelado de la dinámica atmosférica del polen sino en la conjunción de diferentes modelos estadísticos.

El modelo de REA utiliza el análisis de series temporales en combinación con la influencia de diferentes parámetros meteorológicos, como la precipitación o el viento, para predecir el polen atmosférico a corto plazo. Además utiliza diferentes técnicas geoestadísticas y la influencia climática para calcular la concentración de polen en el aire en cualquier punto de nuestra geografía. Éstos enfoque son sólo posibles gracias a la extensa base de datos que ha generado REA durante las últimas décadas desde su creación a principios de los años 90. Además la extensa red de puntos de muestreo permite realizar predicciones robustas y precisas.

 

Aguilera, F., Dhiab, A. B., Msallem, M., Orlandi, F., Bonofiglio, T., Ruiz-Valenzuela, L., … & García-Mozo, H. (2015). Airborne-pollen maps for olive-growing areas throughout the Mediterranean region: spatio-temporal interpretation. Aerobiologia, 31(3), 421-434.

Angosto, J. M., Moreno‐Grau, S., Bayo, J., & Elvira‐Rendueles, B. (2005). Multiple regression models for predicting total daily pollen concentration in Cartagena. Grana, 44(2), 108-114.

De Linares, C., Delgado, R., Aira, M. J., Alcázar, P., Alonso-Pérez, S., Boi, M., … & Fernández-González, D. (2017). Changes in the Mediterranean pine forest: pollination patterns and annual trends of airborne pollen. Aerobiologia, 33(3), 375-391.

Fernández-González, M., Ramos-Valcárcel, D., Aira, M. J., & Rodríguez-Rajo, F. J. (2016). Prediction of biological sensors appearance with ARIMA models as a tool for Integrated Pest Management protocols. Annals of Agricultural and Environmental Medicine, 23(1).

Fernández-Rodríguez, S., Durán-Barroso, P., Silva-Palacios, I., Tormo-Molina, R., Maya-Manzano, J. M., & Gonzalo-Garijo, Á. (2016). Regional forecast model for the Olea pollen season in Extremadura (SW Spain). International journal of biometeorology, 60(10), 1509-1517.

Galán, C., Cariñanos, P., García-Mozo, H., Alcázar, P., & Domínguez-Vilches, E. (2001). Model for forecasting Olea europaea L. airborne pollen in South-West Andalusia, Spain. International Journal of Biometeorology, 45(2), 59-63.

García-Mozo, H., Galán, C., Belmonte, J., Bermejo, D., Candau, P., de la Guardia, C. D., … & Trigo, M. M. (2009). Predicting the start and peak dates of the Poaceae pollen season in Spain using process-based models. agricultural and forest meteorology, 149(2), 256-262.

Hidalgo, P. J., Mangin, A., Galán, C., Hembise, O., Vázquez, L. M., & Sanchez, O. (2002). An automated system for surveying and forecasting Olea pollen dispersion. Aerobiologia, 18(1), 23-31.

León Ruiz, E. J., García Mozo, H., Domínguez Vilches, E., & Galán, C. (2012). The use of geostatistics in the study of floral phenology of Vulpia geniculata (L.) Link. The Scientific World Journal, 2012.

Majeed, H. T., Periago, C., Alarcón, M., & Belmonte, J. (2018). Airborne pollen parameters and their relationship with meteorological variables in NE Iberian Peninsula. Aerobiologia, 34(3), 375-388.

Maya-Manzano, J. M., Sadyś, M., Tormo-Molina, R., Fernández-Rodríguez, S., Oteros, J., Silva-Palacios, I., & Gonzalo-Garijo, A. (2017). Relationships between airborne pollen grains, wind direction and land cover using GIS and circular statistics. Science of the Total Environment, 584, 603-613.

Oteros, J., García-Mozo, H., Alcázar, P., Belmonte, J., Bermejo, D., Boi, M., … & Gutiérrez-Bustillo, A. M. (2015). A new method for determining the sources of airborne particles. Journal of environmental management, 155, 212-218.

Oteros, J., Bergmann, K. C., Menzel, A., Damialis, A., Traidl-Hoffmann, C., Schmidt-Weber, C. B., & Buters, J. (2019). Spatial interpolation of current airborne pollen concentrations where no monitoring exists. Atmospheric environment, 199, 435-442.

Picornell, A., Oteros, J., Trigo, M. M., Gharbi, D., Fernández, S. D., Caballero, M. M., … & Recio, M. (2019). Increasing resolution of airborne pollen forecasting at a discrete sampled area in the southwest Mediterranean Basin. Chemosphere, 234, 668-681.

Rodríguez-Rajo, F. J., Valencia-Barrera, R. M., Vega-Maray, A. M., Suárez, F. J., Fernández-González, D., & Jato, V. (2006). Prediction of airborne Alnus pollen concentration by using ARIMA models. Annals of Agricultural and Environmental Medicine, 13(1), 25.

Rojo, J., & Pérez-Badia, R. (2015). Spatiotemporal analysis of olive flowering using geostatistical techniques. Science of the total Environment, 505, 860-869.

Rojo, J., Orlandi, F., Pérez-Badia, R., Aguilera, F., Dhiab, A. B., Bouziane, H., … & Msallem, M. (2016). Modeling olive pollen intensity in the Mediterranean region through analysis of emission sources. Science of the Total Environment, 551, 73-82.

Rojo, J., Rivero, R., Romero-Morte, J., Fernández-González, F., & Pérez-Badia, R. (2017). Modeling pollen time series using seasonal-trend decomposition procedure based on LOESS smoothing. International journal of biometeorology, 61(2), 335-348.

Rojo, J., Picornell, A., & Oteros, J. (2019). AeRobiology: the computational tool for biological data in the air. Methods in Ecology and Evolution, 10(8), 1371-1376.

Ruiz, S. S., Bustillo, A. M. G., Morales, P. C., & Cuesta, P. (2008). Forecasting airborne Platanus pollen in the Madrid region. Grana, 47(3), 234-240.

Valencia-Barrera, R., Comtois, P., & Fernández-González, D. (2002). Bioclimatic indices as a tool in pollen forecasting. International Journal of Biometeorology, 46(4), 171-175.

Vélez-Pereira, A. M., De Linares, C., Canela, M. A., & Belmonte, J. (2019). Logistic regression models for predicting daily airborne Alternaria and Cladosporium concentration levels in Catalonia (NE Spain). International journal of biometeorology, 63(12), 1541-1553.