Aplicación de redes complejas a la descripción de la dinámica de contaminantes atmosféricos
- Autores: Rafael Carmona-Cabezas
- Directores de la Tesis: Francisco José Jiménez-Hornero (dir. tes.), Eduardo Gutiérrez de Ravé Agüera (dir. tes.)
- Lectura: En la Universidad de Córdoba (ESP) ( España ) en 2021
- Idioma: español
- Tribunal Calificador de la Tesis: Francisco Jesús Moral García (presid.), Elena M. Sánchez López (secret.), Sandra Jacoby Koaly (voc.)
- Programa de doctorado: Programa de Doctorado en Computación Avanzada, Energía y Plasmas por la Universidad de Córdoba
- Materias:
- Enlaces
- Tesis en acceso abierto en: Helvia
- Resumen
1. Introducción o motivación de la tesis La contaminación atmosférica es uno de los principales problemas estudiados dentro de la ciencia ambiental, debido a su gran impacto en la salud pública. Entre los diferentes contaminantes que podemos encontrar en el aire, merece la pena destacar el ozono troposférico (O3) como uno de los más estudiados en los últimos años, debido al alto riesgo para los seres vivos. Como resultado de los numerosos factores implicados en la creación y destrucción de este gas, el análisis de sus dinámicas es bastante complejo. Tradicionalmente, se han usado métodos estadísticos convencionales, mientras que en las últimas décadas han ganado importancia las técnicas multifractales. Esto se debe a su adecuación para describir sistemas con un grado elevado de variabilidad.
2. Contenido de la investigación Esta tesis se centra en la evaluación e implementación de las redes complejas para el análisis de la dinámica del O3. Los estudios llevados a cabo se basan en el uso de la técnica del Grafo de Visibilidad (GV), que transforma series temporales en redes complejas que heredan propiedades de las primeras. En la primera parte, se utiliza una combinación del GV y del algoritmo multifractal Sand-Box (SB). Gracias a esto, es posible obtener las dimensiones fractales generalizadas y el espectro de singularidades. Por último, se ha realizado una comparación entre los parámetros multifractales y las cantidades obtenibles directamente a partir de la distribución del grado de los grafos resultantes.
En cuanto a la segunda parte de esta tesis, el método del GV es usado en series temporales de O3 de estaciones rurales y urbanas, con la finalidad de obtener los parámetros de centralidad de las redes conseguidas. De este modo, el grado, el camino mínimo y la intermediación se estudian para refutar la aplicabilidad del GV y buscar nueva información. Los resultados muestran que en efecto esta metodología puede permitir diferenciar entre medidas de ozono en medios rurales y urbanos.
En la tercera y última parte de este documento, los autores proponen un método alternativo al GV, llamado Grafo de Visibilidad Deslizante (GVD). Esta nueva técnica se aprovecha del hecho de que las matrices de adyacencia de los GV son prácticamente vacías, puesto que la mayoría de los vértices no están conectados entre sí. Gracias a ello, es posible aplicar de forma efectiva un algoritmo de ventana deslizante para reducir considerablemente el tiempo de cálculo, bajando en uno el orden de magnitud de la eficiencia (de O(N2) a O(N)). Esto es especialmente provechoso cuando se trata con series temporales muy grandes. Debido a que la red resultante aproxima al GV original, se ha evaluado cómo converge al segundo para diferentes tipos de series temporales, que es donde reside en interés real de esta herramienta. Como era de esperar, los resultado del GVD convergen rápidamente a los valores exactos, especialmente para series aleatorias y concentración de O3.
3. Conclusión A lo largo de este trabajo, se ha evaluado la capacidad de las redes complejas para la descripción de la dinámica de contaminantes (en concreto O_3), mediante el uso del algoritmo del Grafo de Visibilidad. Se ha demostrado que no sólo es posible, sino que se puede obtener información nueva eligiendo este método. Además, la nueva información suplementaria adquirida podría servir como apoyo para bases de datos usadas por nuevas técnicas, como el aprendizaje automático o la minería de datos. Por ello, adicionalmente a los estudios ya existentes basados en la estadística descriptiva y el análisis multifractal, esta metodología puede ser usada complementariamente para validar modelos teóricos y mejorar estrategias predictivas.
A título de reflexión paralela, aunque no directamente derivado de los resultados de esta tesis, merece la pena llamar la atención sobre el problema del O_3 troposférico (y la contaminación en general). No importa cuánto tiempo se dedique a investigar este asunto, pues al final la acción más importante debe realizarse por parte de los gobiernos y de todos nosotros como ciudadanos. Debemos darnos cuenta de que es un problema para la salud pública de gran relevancia, que cuesta millones de vidas anualmente e inmensas pérdidas económicas a nuestra sociedad. Desgraciadamente, la información dada a la población y las acciones tomadas por las administraciones en este asunto están aún muy lejos de ser suficientes, dada la gravedad del problema. Irónicamente, uno de los pocos efectos positivos de la crisis derivada de la Covid-19 es que se ha demostrado que es posible mejorar la calidad del aire. Las técnicas presentadas y evaluadas en esta tesis podrían ayudar (combinadas con otras) a evaluar futuras políticas para mitigar niveles de ozono troposférico. La reducción estructural del transporte basado en hidrocarburos y de la actividad industrial (con la consecuente emisión de precursores de O_3) ha sido validada como crucial para la reducción de la concentración de O_3 en las grandes ciudades.
Finalmente, a modo de valoración personal y corolario de esta tesis, me gustaría destacar el hecho de que la investigación realizada me ha permitido crecer como persona y científico. No han sido pocos los problemas encontrados y los nuevos caminos comenzados, que finalmente no han conducido a ningún sitio. Sin embargo, creo que no hay tiempo desperdiciado en ciencia cuando se encuentra un callejón sin salida, puesto que es la experiencia ganada en el trayecto lo que de verdad importa. Siempre y cuando continuemos caminando hacia delante, pienso que no hay barrera que se interponga al desarrollo de la humanidad, ni siquiera la contaminación atmosférica.
4. Bibliografía 1. Pearsall J. The New Oxford Dictionary of English. Judy Pearsall. Oxford University Press; 2001.
2. Landrigan PJ, Fuller R, Acosta NJR, et al. The Lancet Commission on pollution and health. The Lancet. 2018;391(10119):462-512. doi:10.1016/S0140-6736(17)32345-0 3. Sánchez E. La pandemia hace caer la contaminación por ozono a los niveles más bajos desde hace una década. El País. https://elpais.com/clima-y-medio-ambiente/2020-11-10/la-pandemia-hace-caer-la-contaminacion-por-ozono-a-los-niveles-mas-bajos-desde-hace-una-decada.html. Published November 10, 2020. Accessed November 10, 2020.
4. Urbinato D. London’s Historic “Pea-Soupers.” U.S. Environmental Protection Agency History. Published 1994. Accessed September 11, 2019. https://web.archive.org/web/20061002080012/http://www.epa.gov/history/topics/perspect/london.htm 5. Doherty RM, Heal MR, Wilkinson P, et al. Current and future climate- and air pollution-mediated impacts on human health. Environ Health. 2009;8(1):S8. doi:10.1186/1476-069X-8-S1-S8 6. Kampa M, Castanas E. Human health effects of air pollution. Environmental Pollution. 2008;151(2):362-367. doi:10.1016/j.envpol.2007.06.012 7. Liu H, Liu S, Xue B, et al. Ground-level ozone pollution and its health impacts in China. Atmospheric Environment. 2018;173:223-230. doi:10.1016/j.atmosenv.2017.11.014 8. Soriano JB, Abajobir AA, Abate KH, et al. Global, regional, and national deaths, prevalence, disability-adjusted life years, and years lived with disability for chronic obstructive pulmonary disease and asthma, 1990–2015: a systematic analysis for the Global Burden of Disease Study 2015. The Lancet Respiratory Medicine. 2017;5(9):691-706. doi:10.1016/S2213-2600(17)30293-X 9. Miao W, Huang X, Song Y. An economic assessment of the health effects and crop yield losses caused by air pollution in mainland China. J Environ Sci. 2017;56:102-113. doi:10.1016/j.jes.2016.08.024 10. Yi F, McCarl BA, Zhou X, Jiang F. Damages of surface ozone: evidence from agricultural sector in China. Environ Res Lett. 2018;13(3):034019. doi:10.1088/1748-9326/aaa6d9 11. Forster P, Ramaswamy V, Artaxo P, Berntsen T, Betts R, Fahey DW. Changes in atmospheric constituents and in radiative forcing. In: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. S Solomon, D Qin, M Manning, Z Chen, M Marquis, et al. Cambridge Univ. Press; 2007.
12. Ainsworth EA, Yendrek CR, Sitch S, Collins WJ, Emberson LD. The Effects of Tropospheric Ozone on Net Primary Productivity and Implications for Climate Change. Annu Rev Plant Biol. 2012;63(1):637-661. doi:10.1146/annurev-arplant-042110-103829 13. IPCC. Climate Change 2013 – The Physical Science Basis: Working Group I Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press; 2014. doi:10.1017/CBO9781107415324 14. Sillman S. The relation between ozone, NOx and hydrocarbons in urban and polluted rural environments. Atmos Environ. 1999;33(12):1821-1845. doi:10.1016/S1352-2310(98)00345-8 15. Trainer M, Parrish DD, Goldan PD, Roberts J, Fehsenfeld FC. Review of observation-based analysis of the regional factors influencing ozone concentrations. Atmos Environ. 2000;34:2045-2061. doi:doi.org/10.1016/S1352-2310(99)00459-8 16. Vingarzan R. A review of surface ozone background levels and trends. Atmospheric Environment. 2004;38(21):3431-3442. doi:10.1016/j.atmosenv.2004.03.030 17. Graedel TE, Crutzen PJ. Atmospheric change: an earth system perspective. J Chem Educ. 1993;70(9):A252. doi:10.1021/ed070pA252.2 18. Chakraborty T, Beig G, Dentener FJ, Wild O. Atmospheric transport of ozone between Southern and Eastern Asia. Science of The Total Environment. 2015;523:28-39. doi:10.1016/j.scitotenv.2015.03.066 19. Domínguez-López D, Adame JA, Hernández-Ceballos MA, Vaca F, De la Morena BA, Bolívar JP. Spatial and temporal variation of surface ozone, NO and NO2 at urban, suburban, rural and industrial sites in the southwest of the Iberian Peninsula. Environ Monit Assess. 2014;186(9):5337-5351. doi:10.1007/s10661-014-3783-9 20. Saavedra S, Rodríguez A, Taboada JJ, Souto JA, Casares JJ. Synoptic patterns and air mass transport during ozone episodes in northwestern Iberia. Science of The Total Environment. 2012;441:97-110. doi:10.1016/j.scitotenv.2012.09.014 21. Valverde V, Pay MT, Baldasano JM. Ozone attributed to Madrid and Barcelona on-road transport emissions: Characterization of plume dynamics over the Iberian Peninsula. Science of The Total Environment. 2016;543:670-682. doi:10.1016/j.scitotenv.2015.11.070 22. Elminir HK. Dependence of urban air pollutants on meteorology. Science of The Total Environment. 2005;350(1-3):225-237. doi:10.1016/j.scitotenv.2005.01.043 23. Li K, Chen L, Ying F, et al. Meteorological and chemical impacts on ozone formation: A case study in Hangzhou, China. Atmospheric Research. 2017;196:40-52. doi:10.1016/j.atmosres.2017.06.003 24. Wang Y, Du H, Xu Y, Lu D, Wang X, Guo Z. Temporal and spatial variation relationship and influence factors on surface urban heat island and ozone pollution in the Yangtze River Delta, China. Science of The Total Environment. 2018;631-632:921-933. doi:10.1016/j.scitotenv.2018.03.050 25. Stull RB, ed. An Introduction to Boundary Layer Meteorology. Springer Netherlands; 1988. doi:10.1007/978-94-009-3027-8 26. Aron R. Mixing height—an inconsistent indicator of potential air pollution concentrations. Atmospheric Environment (1967). 1983;17(11):2193-2197. doi:10.1016/0004-6981(83)90215-9 27. Pavón-Domínguez P, Jiménez-Hornero FJ, Gutiérrez de Ravé E. Joint multifractal analysis of the influence of temperature and nitrogen dioxide on tropospheric ozone. Stochastic Environ Res Risk Assess. 2015;29(7):1881-1889. doi:10.1007/s00477-014-0973-5 28. He H. Multifractal analysis of interactive patterns between meteorological factors and pollutants in urban and rural areas. Atmos Environ. 2017;149:47-54. doi:10.1016/j.atmosenv.2016.11.004 29. Lee C-K, Juang L-C, Wang C-C, et al. Scaling characteristics in ozone concentration time series (OCTS). Chemosphere. 2006;62(6):934-946. doi:10.1016/j.chemosphere.2005.05.046 30. Pavon-Dominguez P, Jimenez-Hornero FJ, Gutierrez de Rave E. Multifractal analysis of ground–level ozone concentrations at urban, suburban and rural background monitoring sites in Southwestern Iberian Peninsula. Atmos Pollut Res. 2013;4(2):229-237. doi:10.5094/APR.2013.024 31. Mandelbrot BB. The Fractal Geometry of Nature. W.H. Freeman; 1982.
32. Briggs J. Fractals: The Patterns of Chaos. Thames and Hudson; 1992.
33. Mandelbrot B, van Ness JW. Fractional Brownian Motions, Fractional Noises and Applications. SIAM Rev. 1968;10:422-437. doi:http://dx.doi.org/10.1137/1010093 34. Kantz H, Schreiber T. Nonlinear Time Series Analysis. 2nd ed. Cambridge University Press; 2004.
35. Ding M, Grebogi C, Ott E, Sauer T, Yorke JA. Estimating correlation dimension from a chaotic time series: when does plateau onset occur? Phys D. 1993;69(3-4):404-424. doi:10.1016/0167-2789(93)90103-8 36. Safonov LA, Tomer E, Strygin VV, Ashkenazy Y, Havlin S. Delay-induced chaos with multifractal attractor in a traffic flow model. EPL. 2002;57:8. doi:https://doi.org/10.1209/epl/i2002-00555-0 37. Harte D. Multifractals. Chapman & Hall; 2001.
38. Ariza-Villaverde AB, Pavón-Domínguez P, Carmona-Cabezas R, de Ravé EG, Jiménez-Hornero FJ. Joint multifractal analysis of air temperature, relative humidity and reference evapotranspiration in the middle zone of the Guadalquivir river valley. Agricultural and Forest Meteorology. 2019;278:107657. doi:10.1016/j.agrformet.2019.107657 39. García-Marín AP, Estévez J, Alcalá-Miras JA, Morbidelli R, Flammini A, Ayuso-Muñoz JL. Multifractal analysis to study break points in temperature data sets. Chaos. 2019;29(9):093116. doi:10.1063/1.5096938 40. Calif R, Schmitt FG. Modeling of atmospheric wind speed sequence using a lognormal continuous stochastic equation. Journal of Wind Engineering and Industrial Aerodynamics. 2012;109:1-8. doi:10.1016/j.jweia.2012.06.002 41. Calif R, Schmitt FG, Huang Y, Soubdhan T. Intermittency study of high frequency global solar radiation sequences under a tropical climate. Solar Energy. 2013;98:349-365. doi:10.1016/j.solener.2013.09.018 42. Plocoste T, Calif R, Jacoby-Koaly S. Temporal multiscaling characteristics of particulate matter P M 10 and ground-level ozone O 3 concentrations in Caribbean region. Atmospheric Environment. 2017;169:22-35. doi:10.1016/j.atmosenv.2017.08.068 43. França LGS, Miranda JGV, Leite M, et al. Fractal and Multifractal Properties of Electrographic Recordings of Human Brain Activity: Toward Its Use as a Signal Feature for Machine Learning in Clinical Applications. Front Physiol. 2018;9:1767. doi:10.3389/fphys.2018.01767 44. Papo D, Goñi J, Buldú JM. Editorial: On the relation of dynamics and structure in brain networks. Chaos. 2017;27(4):047201. doi:10.1063/1.4981391 45. Yang D, Zhang C, Liu Y. Multifractal characteristic analysis of near-fault earthquake ground motions. Soil Dynamics and Earthquake Engineering. 2015;72:12-23. doi:10.1016/j.soildyn.2015.01.020 46. Meisel LV, Johnson M, Cote PJ. Box-counting multifractal analysis. Phys Rev A. 1992;45(10):6989-6996. doi:10.1103/PhysRevA.45.6989 47. Tél T, Fülöp Á, Vicsek T. Determination of fractal dimensions for geometrical multifractals. Physica A. 1989;159(2):155-166. doi:10.1016/0378-4371(89)90563-3 48. Vicsek T, Family F, Meakin P. Multifractal Geometry of Diffusion-Limited Aggregates. EPL. 1990;12(3):217-222. doi:10.1209/0295-5075/12/3/005 49. De Bartolo SG, Gaudio R, Gabriele S. Multifractal analysis of river networks: Sandbox approach. Water Resour Res. 2004;40(2). doi:10.1029/2003WR002760 50. Mali P, Manna SK, Mukhopadhyay A, Haldar PK, Singh G. Multifractal analysis of multiparticle emission data in the framework of visibility graph and sandbox algorithm. Physica A. 2018;493:253-266. doi:10.1016/j.physa.2017.10.015 51. Jiménez-Hornero FJ, Ariza-Villaverde AB, De Ravé EG. Multifractal description of simulated flow velocity in idealised porous media by using the sandbox method. Fractals. 2013;21(01):1350006. doi:10.1142/S0218348X13500060 52. Puga-Gonzalez I, Sueur C. Emergence of complex social networks from spatial structure and rules of thumb: a modelling approach. Ecological Complexity. 2017;31:189-200. doi:10.1016/j.ecocom.2017.07.004 53. Carchiolo V, Malgeri M, Mangioni G, Nicosia V. An adaptive overlay network inspired by social behaviour. Journal of Parallel and Distributed Computing. 2010;70(3):282-295. doi:10.1016/j.jpdc.2009.05.004 54. Gan C, Yang X, Liu W, Zhu Q, Jin J, He L. Propagation of computer virus both across the Internet and external computers: A complex-network approach. Communications in Nonlinear Science and Numerical Simulation. 2014;19(8):2785-2792. doi:10.1016/j.cnsns.2013.12.026 55. Bigdeli N, Haeri M, Choobkar S, Jannesari F. Characterization of complex behaviors of TCP/RED computer networks based on nonlinear time series analysis methods. Physica D: Nonlinear Phenomena. 2007;233(2):138-150. doi:10.1016/j.physd.2007.06.017 56. Lee B, Kang U, Chang H, Cho K-H. The Hidden Control Architecture of Complex Brain Networks. iScience. 2019;13:154-162. doi:10.1016/j.isci.2019.02.017 57. Stam CJ. Characterization of anatomical and functional connectivity in the brain: A complex networks perspective. International Journal of Psychophysiology. 2010;77(3):186-194. doi:10.1016/j.ijpsycho.2010.06.024 58. Lacasa L, Luque B, Ballesteros F, Luque J, Nuño JC. From time series to complex networks: The visibility graph. Proc Natl Acad Sci. 2008;105(13):4972-4975. doi:10.1073/pnas.0709247105 59. Zhang J, Small M. Complex Network from Pseudoperiodic Time Series: Topology versus Dynamics. Phys Rev Lett. 2006;96(23):238701. doi:10.1103/PhysRevLett.96.238701 60. Gao Z, Jin N. Complex network from time series based on phase space reconstruction. Chaos. 2009;19(3):033137. doi:10.1063/1.3227736 61. Campanharo ASLO, Sirer MI, Malmgren RD, Ramos FM, Amaral LANunes. Duality between Time Series and Networks. Perc M, ed. PLoS ONE. 2011;6(8):e23378. doi:10.1371/journal.pone.0023378 62. De Floriani L, Marzano P, Puppo E. Line-of-sight communication on terrain models. International journal of geographical information systems. 1994;8(4):329-342. doi:10.1080/02693799408902004 63. Lozano-Pérez T, Wesley MA. An algorithm for planning collision-free paths among polyhedral obstacles. Communications of the ACM. 1979;22(10):560-570. doi:10.1145/359156.359164 64. Turner A, Doxa M, O’Sullivan D, Penn A. From Isovists to Visibility Graphs: A Methodology for the Analysis of Architectural Space. Environ Plann B Plann Des. 2001;28(1):103-121. doi:10.1068/b2684 65. Lacasa L, Luque B, Luque J, Nuño JC. The visibility graph: A new method for estimating the Hurst exponent of fractional Brownian motion. EPL. 2009;86(3):30001. doi:10.1209/0295-5075/86/30001 66. Ni X-H, Jiang Z-Q, Zhou W-X. Degree distributions of the visibility graphs mapped from fractional Brownian motions and multifractal random walks. Physics Letters A. 2009;373(42):3822-3826. doi:10.1016/j.physleta.2009.08.041 67. Iacovacci J, Lacasa L. Visibility graphs for image processing. IEEE Transactions on Pattern Analysis and Machine Intelligence. Published online 2019:1-1. doi:10.1109/TPAMI.2019.2891742 68. Lacasa L, Nuñez A, Roldán É, Parrondo JMR, Luque B. Time series irreversibility: a visibility graph approach. The European Physical Journal B. 2012;85(6). doi:10.1140/epjb/e2012-20809-8 69. Pierini JO, Lovallo M, Telesca L. Visibility graph analysis of wind speed records measured in central Argentina. Physica A: Statistical Mechanics and its Applications. 2012;391(20):5041-5048. doi:10.1016/j.physa.2012.05.049 70. Qian M-C, Jiang Z-Q, Zhou W-X. Universal and nonuniversal allometric scaling behaviors in the visibility graphs of world stock market indices. J Phys A: Math Theor. 2010;43(33):335002. doi:10.1088/1751-8113/43/33/335002 71. Sannino S, Stramaglia S, Lacasa L, Marinazzo D. Visibility graphs for fMRI data: multiplex temporal graphs and their modulations across resting state networks. Network Neurosci. Published online April 3, 2017:208-221. doi:10.1101/106443 72. Carmona-Cabezas R, Ariza-Villaverde AB, Gutiérrez de Ravé E, Jiménez-Hornero FJ. Visibility graphs of ground-level ozone time series: A multifractal analysis. Sci Total Environ. 2019;661:138-147. doi:10.1016/j.scitotenv.2019.01.147 73. Carmona-Cabezas R, Gómez-Gómez J, Ariza-Villaverde AB, Gutiérrez de Ravé E, Jiménez-Hornero FJ. Can complex networks describe the urban and rural tropospheric O3 dynamics? Chemosphere. 2019;230:59-66. doi:10.1016/j.chemosphere.2019.05.057 74. Carmona-Cabezas R, Gómez-Gómez J, Gutiérrez de Ravé E, Jiménez-Hornero FJ. A sliding window-based algorithm for faster transformation of time series into complex networks. Chaos. 2019;29(10):103121. doi:10.1063/1.5112782 75. Adame JA, Lozano A, Bolívar JP, De la Morena BA, Contreras J, Godoy F. Behavior, distribution and variability of surface ozone at an arid region in the south of Iberian Peninsula (Seville, Spain). Chemosphere. 2008;70(5):841-849. doi:10.1016/j.chemosphere.2007.07.009 76. Dueñas C, Fernández MC, Cañete S, Carretero J, Liger E. Analyses of ozone in urban and rural sites in Málaga (Spain). Chemosphere. 2004;56(6):631-639. doi:10.1016/j.chemosphere.2004.04.013 77. Dueñas C, Fernández MC, Cañete S, Carretero J, Liger E. Assessment of ozone variations and meteorological effects in an urban area in the Mediterranean Coast. Sci Total Environ. 2002;299(1-3):97-113. doi:10.1016/S0048-9697(02)00251-6 78. Cheng N, Li R, Xu C, et al. Ground ozone variations at an urban and a rural station in Beijing from 2006 to 2017: Trend, meteorological influences and formation regimes. Journal of Cleaner Production. 2019;235:11-20. doi:10.1016/j.jclepro.2019.06.204 79. Blanchard D, Aherne J. Spatiotemporal variation in summer ground-level ozone in the Sandbanks Provincial Park, Ontario. Atmospheric Pollution Research. 2019;10(3):931-940. doi:10.1016/j.apr.2019.01.001 80. Zeleke TB, Si BC. Characterizing scale-dependent spatial relationships between soil properties using multifractal techniques. Geoderma. 2006;134(3-4):440-452. doi:10.1016/j.geoderma.2006.03.013 81. Jiménez-Hornero FJ, Gutiérrez de Ravé E, Giráldez JV, Giráldez JV. Description of the seasonal pattern in ozone concentration time series by using the strange attractor multifractal formalism. Environ Monit Assess. 2010;160(1-4):229-236. doi:10.1007/s10661-008-0690-y 82. Jiménez-Hornero FJ, Jimenez-Hornero JE, Gutiérrez de Ravé E, Pavón-Domínguez P. Exploring the relationship between nitrogen dioxide and ground-level ozone by applying the joint multifractal analysis. Environ Monit Assess. 2010;167(1-4):675-684. doi:10.1007/s10661-009-1083-6 83. Chhabra A, Jensen RV. Direct determination of the f(α) singularity spectrum. Phys Rev Lett. 1989;62(12):1327-1330. doi:10.1103/PhysRevLett.62.1327
