Eficacia de métodos de simulación para la representación gráfica de niveles de presión sonora en la zona de protección especial, distrito de Bellavista, Callao - Perú – 2024

• Autor: Del Carpio Arregui, Edwin Ricardo
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Nacional del Callao
• Repositorio: UNAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unac.edu.pe:20.500.12952/9575
• Enlace del recurso: https://hdl.handle.net/20.500.12952/9575
• Nivel de acceso: acceso abierto
• Materia: Contaminación acústica; Interpolación Kriging; Sistemas de información geográfica; SoundPLAN; Niveles de presión sonora; Modelos predictivos; Gestión ambiental; https://purl.org/pe-repo/ocde/ford#2.07.01

Este estudio evaluó la eficacia de dos métodos de simulación para representar los niveles de presión sonora en la zona de protección especial del distrito de Bellavista, Callao, Perú, en el año 2024. El objetivo principal fue determinar la exactitud de las técnicas de modelado predictivo en la estimación de la contaminación acústica urbana, considerando factores como los niveles de presión sonora, el flujo vehicular y las fuentes de generación de ruido. Se aplicó el método de interpolación geoestadística Kriging Ordinario utilizando el software ArcGIS y se complementó con el uso de SoundPLAN, un software especializado en simulación acústica que emplea los estándares internacionales CNOSSOS-EU2021/2015 e ISO 9613-2:1996. Estos estándares, diseñados para contextos europeos, se aplicaron para generar modelos predictivos detallados de ruido ambiental. El estudio se enfocó en calles, avenidas y áreas periféricas de instituciones educativas primarias, secundarias y superiores, consideradas zonas de protección especial. Las mediciones in situ de los niveles de presión sonora se realizaron en una malla de 40 x 40 metros, estableciendo puntos estratégicos para asegurar una mayor cobertura de la zona. Los resultados mostraron que tanto Kriging como SoundPLAN produjeron estimaciones útiles, aunque se observaron diferencias en la precisión y la dispersión de los datos. Kriging ofreció mayor consistencia en sus predicciones, mientras que SoundPLAN presentó mayor variabilidad en áreas específicas. Como conclusión, se resalta la necesidad de validar continuamente los modelos predictivos y de adaptar los estándares internacionales utilizados en SoundPLAN para ajustarse mejor a los contextos locales. Además, se recomienda aumentar los puntos de monitoreo para mejorar la fiabilidad de las estimaciones.