Resumen

BECERRA-RONDON, Adriana; DUCATI, Jorge  y  HAAG, Rafael. Satellite-based estimation of NO₂ concentrations using a machine-learning model: A case study on Rio Grande do Sul, Brazil. Atmósfera [online]. 2023, vol.37, e53116.  Epub 17-Abr-2023. ISSN 0187-6236.  https://doi.org/10.20937/atm.53116.

El dióxido de nitrógeno (NO2) es uno de los contaminantes atmosféricos más importantes que afecta la salud humana (mayor propensión a infecciones respiratorias) y el medio ambiente (acidificación del suelo y agua). En muchas regiones de Brasil las mediciones de NO2 a nivel del suelo presentan dificultades debido a que la red de estaciones de monitoreo es escasa y está desigualmente espaciada. Las observaciones satelitales combinadas con modelos de aprendizaje automático pueden mitigar esta falta de datos. Este artículo es el resultado de una investigación sobre la capacidad de un enfoque de aprendizaje automático (un algoritmo estadístico no lineal de bosques aleatorios, en adelante RF) para ejecutar una reconstrucción espacio-temporal de NO2 a nivel del suelo, de 2006 a 2019, utilizando como parámetros de entrada datos de NO2 recuperados del sensor del Instrumento de Monitoreo de Ozono (OMI) a bordo del satélite Aura, además de covariables meteorológicas y mediciones localizadas de NO2 a nivel del suelo. Los resultados muestran que el modelo de RF predice el NO2 con una precisión expresada por una correlación R2 = 0.68 basada en una validación cruzada de 10 iteraciones. El modelo también predijo una concentración media de NO2 de 18.73 ± 3.86 μg m-3. La concentración total de NO2 en toda la región analizada mostró una tendencia decreciente (2.9 μg m-3 yr-1) entre 2006 y 2017. Este estudio demuestra que las estadísticas no lineales empleadas por el algoritmo de RF pueden ser herramientas complementarias a las observaciones in situ y por satélite para predecir NO2.

Palabras llave : nitrogen dioxide (NO₂); Random Forest algorithm; OMI sensor; southern Brazil.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )