1. Introducción
Actualmente, las ciudades presentan problemas de contaminación en el aire, suelo y cuerpos de agua (superficiales y subterráneos). Por ejemplo, las altas concentraciones en el aire de partículas de origen antrópico y naturales son un problema de salud, debido a que el tamaño de las partículas (menores de 10 μm) puede provocar obstrucciones en el sistema respiratorio, mientras que su composición química puede provocar o agravar diversas enfermedades del tipo cerebro-cardiovasculares y pulmonares, principalmente (World Health Organization, 2006, 2016; Amato et al., 2009; Cohen et al., 2017; Owusu y Sarkodie, 2020).
El monitoreo de calidad del aire se enfoca en el análisis del contenido de gases, partículas suspendidas, dióxido de carbono, óxido sulfúrico, óxido nitroso y algunos componentes orgánicos volátiles. Los estudios realizados en partículas suspendidas indican que estás contienen metales pesados, como: Cromo (Cr), Cobre (Cu), Níquel (Ni), Plomo (Pb), Vanadio (V) y Zinc (Zn), los cuales son de alto riesgo para la población (World Health Organization, 2006, 2016; Zmijková et al., 2018; European Environment Agency, 2019).
El viento y la lluvia pueden provocar que las partículas suspendidas se desplacen de un lugar a otro o que se precipiten sobre la superficie de la ciudad (Al-Dahabi, 2010, Qin et al., 2019), en donde se pueden formar reservorios que ponen un riesgo a la población (Kim, 2017; Lou et al., 2019; Jeong et al., 2020).
Las principales fuentes de partículas suspendidas en las ciudades son: emisiones vehiculares e industriales. Se ha reconocido que las emisiones vehiculares contribuyen de manera significativa con Cr, Pb y Zn (Popescu, 2011; Pulles et al., 2012; European Environment Agency, 2019). Mientras que, las emisiones industriales (dependiendo del ramo) pueden contribuir con As, Cd, Cr, Pb, Mg, Hg y Ni (Prieto y Restrepo, 2017). Al depositarse en el suelo, estas partículas provocan un aumento en la concentración de Cr, Cu, Ni, Pb, V, Zn y otros metales pesados que puede alcanzar niveles tóxicos (contaminación) (Du et al., 2013; Suryawanshi et al., 2016; Trujillo et al., 2016).
Los estudios de monitoreo de metales pesados en el suelo y polvo urbano en las ciudades se hacen con poca frecuencia. Esto se debe principalmente a los altos costos, a la infraestructura y al recurso humano altamente capacitado que se necesita. Actualmente existen alternativas de bajo costo que pueden emplearse para el monitoreo de la concentración de algunos metales pesados, como: el monitoreo de los parámetros magnéticos, los cuales presentan una relación directamente proporcional con el incremento de la concentración de metales pesados, como el Cr, Cu, Ni, Pb, V y Zn (Lu et al., 2007; Xia et al., 2014; Cejudo et al., 2015; Abbas et al., 2017; Yang et al., 2019).
En el monitoreo magnético de la contaminación, se busca relacionar los parámetros magnéticos con la concentración de metales pesados por medio de un modelo de regresión lineal simple o múltiple (Cejudo et al., 2015; Jaffar et al., 2017; Dan et al., 2019). Sin embargo, un modelo de red neuronal podría ofrecer una mayor precisión para identificar sitios con altas concentración de metales pesados, mejorando la identificación de sitios contaminados.
El objetivo de este trabajo fue la generación y evaluación de la eficiencia del pronóstico de la contaminación de metales en polvo urbano utilizando un modelo de red neuronal con base en los parámetros magnéticos y teniendo como variable de respuesta al índice de carga contaminante.
2. Metodología
2.1. ÁREA DE ESTUDIO Y RECOLECCIÓN DE MUESTRAS
Para este estudio fueron seleccionadas cuatro vialidades de la Ciudad de Bogotá, Colombia (Longitud: 74°4'54.3" W y latitud: 4°36'34.96" N). Las muestras fueron recolectadas en febrero de 2016, en vialidades colindantes, las cuales forman un polígono de 21 km2 en la zona urbana (Figura 1).
La Ciudad de Bogotá se encuentra a una altitud de 2,600 metros sobre el nivel del mar, es la tercera ciudad más grande de Sudamérica con área urbana de 416 km2 y tiene una población estimada de 8,181,649 habitantes (DNP, 2018; DANE, 2020). La ciudad está construida sobre el Altiplano cundiboyacense con un clima templado (Clasificación de Köppen: Cfb) y temperatura media entre 12 a 13 °C (IDEAM, 2007, 2017, 2020). El muestreo se llevó a cabo durante la época de sequía (diciembre a febrero), con una temperatura media entre 14,6 a 14,9 °C, humedad relativa de 55 a 70%, precipitación de 20 a 50 mm y dirección del viento NE-SE (IDEAM, 2017, 2020).
Se recolectaron 40 muestras de polvo urbano (PU), 10 por cada una de las cuatro vialidades seleccionadas por donde circula la ruta del sistema de transporte público de autobuses con motor diesel (Av. Caracas y Av. El Dorado) y transporte público con motor a gasolina (Carrera 50 y Calle 63) (Figura 1).
Las muestras de PU fueron colectadas en un metro cuadrado de superficie por debajo de la acera con ayuda de un colector plástico y brocha, la fracción gruesa (mayor que 2 mm) fue retirada en situ. Cada muestra fue colocada dentro de una bolsa de polipropileno con cierre y marcada con el dato de GPS en el sistema de coordenadas geográficas para su traslado al laboratorio.
2.2. ANÁLISIS MAGNÉTICOS
En el laboratorio, cada muestra fue pesada, secada y cribada por un tamiz de malla N°10 (2 mm). Una porción del material tamizado fue encapsulada en cubos de acrílico de 8 cm3 para su uso en los experimentos de magnetismo. Se realizaron mediciones de susceptibilidad magnética volumétrica (κ) con un equipo Bartington MS3 a baja (κlf: 0.46 kHz) y alta (κhf: 46 kHz) frecuencia. Se determinó el parámetro magnético de susceptibilidad magnética específica (Xlf=κlf/ρ, ρ es la densidad ρ=masa/volumen en kg m-3) y el porcentaje de la susceptibilidad magnética dependiente de la frecuencia (Xdf%=((κlf-κhf)/κlf)*100) para detectar la presencia del material magnético e identificar la concentración de partículas ferrimagnéticas ultrafinas superparamagnéticas (SP<0.05 nm) en cada muestra (Dearing, 1999).
La mineralogía magnética se determinó por medio de las curvas termomagnéticas, las cuales se obtuvieron midiendo la susceptibilidad magnética en función de la temperatura con un medidor de susceptibilidad MFK-2 AGICO. Cada muestra fue calentada desde temperatura ambiente y hasta 600 °C a una razón de 10 °C/min y enfriada con la misma razón. Las fases mineralógicas o temperaturas de Curie (Tc) fueron determinadas por el método diferencial descrito por Tauxe et al., (2018).
Se indujo la magnetización remanente isotermal (MRI-X) aplicando a cada muestra un campo magnético de 1000 mT con un magnetizador de pulsos IM-10 marca ASC Scientific y posteriormente se midió el valor de la magnetización remanente con un magnetómetro de giro JR6 marca AGICO. El valor obtenido fue normalizado con la densidad del material para obtener el valor de magnetización remanente isotermal de saturación (MRIS=MRI1.0T/ρ). Este parámetro permitió identificar la concentración de material ferrimagnético en el PU. A continuación, la muestra se magnetiza en la dirección opuesta con un campo de 300 mT para obtener el cociente S-300(S-300=MRI-300 mT/MRIS), el cual permite discriminar entre los minerales ferrimagnéticos (S-300 ε [0.7,1.0]) y los antiferromagnéticos (S-300 ε [0.0 a 1.7)) presentes en el polvo urbano, y a su vez permite identificar alteraciones y la procedencia del material magnético (Lu, 2000; Evans y Heller, 2003; Aguilar-Reyes et al., 2011; Cejudo et al., 2015).
2.3. ANÁLISIS DE GEOQUÍMICOS
Se determinó la concentración de Cr, Cu, Fe, Ni, Pb, V y Zn en el PU por medio de un espectrómetro de Fluorescencia de Rayos X (FRX) portátil modelo Genius 7000 XRF de Skyray Instruments. La fuente de excitación del tubo de rayos X fue de 5 a 40 kV, con una corriente de 1 a 100 μA, objetivo de Ag y detector de estado sólido con una resolución de 139 eV. Las mediciones de FRX se hicieron con muestras de 3 g de PU tamizadas en malla N° 230 (63 μm). Cada muestra fue colocada dentro de un portamuestra cilíndrico con una ventana de mylar en posición perpendicular al obturador del espectrómetro, cada medida fue realizada por triplicado con un tiempo de exposición de 30 s. La curva de calibración fue hecha con los estándares de la serie IGL: IGLs-1, IGLgb-3 y IGLsy-1, la cual mostró un coeficiente de correlación (CC) de 0.98 (Lozano y Bernal, 2005).
2.4. TAMAÑO DE PARTÍCULAS
El tamaño de partícula del PU fue determinado con un equipo de escaneo láser SPECTREX modelo PC-2200, capaz de medir partículas entre 0.5 a 100 μm. Las mediciones se hicieron con 10 g de material tamizado en malla N° 230 (63 μm), el cuál se colocó en un portamuestra cilíndrico de vidrio (grosor de pared de 5 mm) con 120 ml de agua desionizada. Cada medida fue realizada por triplicado y el tamaño de partícula fue determinado en % del peso total (Spectrex, 2007).
2.5. EL MODELO DE PRONÓSTICO DE LACONTAMINACIÓN
A partir del análisis de estadística descriptiva y análisis exploratorio de datos se obtuvo la matriz normalizada para datos magnéticos, concentración de metales pesados y tamaño de partículas. Para cada sitio, se determinó el índice de carga de contaminante (PLI) de acuerdo con Tomlinson et al., (1980), como:
Donde, CF es el factor de concentración, Cele concentración del elemento, Cfon concentración de fondo para el elemento y n el número de elementos. Un análisis de componentes principales (ACP) fue hecho para determinar la relación entre las variables magnéticas y la concentración de cada elemento.
Colombia no cuenta con una legislación que establezca los límites máximos permisibles, ni los niveles de fondo para las concentraciones de metales pesados en suelo y polvo urbano. Por lo que se emplearon las concentraciones de metales pesados en el suelo agrícola de Brasil como valores de fondo para la determinación de PLI (Trujillo et al., 2016).
La clasificación del valor de PLI fue: Si PLI ε [0,1), entonces sugiere no contaminado; Si PLI ε [1,2), contaminación baja; Si PLI ε [2,3), contaminación leve; PLI ε [3,4), entonces contaminación alta y PLI > 4, contaminación muy alta.
En este estudio, se empleó un modelo de red neuronal artificial (RNA) para el reconocimiento de patrones magnéticos que permitieran identificar sitios con altas concentraciones de metales pesados. El modelo RNA tipo perceptrón multicapas es regulado por un algoritmo bayesiano (López y Caicedo, 2005). La expresión matemática del modelo RNA es:
Donde Xi e ϒi son los valores de los nodos en la capar anterior de la capa j; Wi es el peso de cada entrada y bi es el peso de la neurona adaptativa a la neurona oculta j; n es el número de la etapa y F es la función de activación, en este estudio se utilizó la función sigmoide como función de activación (Ecuación 4) (Alizamir y Sobhanardakani, 2018; Guzmán et al., 2018):
Donde, k es el resultado de
La precisión del modelo de la RNA se evaluó por medio de los parámetros de correlación lineal obtenida entre el valor estimado y el valor medido del valor de PLI. Los análisis estadísticos y modelación de RNA se hicieron con el software R (Ihaka y Gentleman, 1996).
El modelo RNA fue entrenado con una matriz de 70 y 75% de datos, la cual se aplicó posteriormente a una a matriz de prueba con 30 y 25% de datos. Se empleó una topología en una sola dirección: de las neuronas de entrada hacia las neuronas de salidas ("Feedforward"), las cuales estuvieron agrupadas en una y dos capas ocultas (Morales et al., 2018).
3. Resultados y discusión
3.1. LOS PARÁMETROS MAGNÉTICOS EN EL POLVO URBANO
Los parámetros de Xlf y MRIS de las vialidades de transporte público con motor convencional (Carrera 50 y Calle 63) exhibieron valores menores a los encontrados para la vialidad del transporte con motor diesel (Av. El Dorado). Sin embargo, la vialidad Caracas mostró valores de Xlf y MRIS similares a los de Carrera 50 y Calle 63. Este aumento en la concentración material magnético se debe posiblemente, a que por la Av. El Dorado transita una mayor cantidad de vehículos, tiene el doble de carriles de circulación que las otras avenidas y tiene una pendiente < 4° que impide la escorrentía de agua, lo que genera una mayor concentración de material sobre la superficie.
El incremento de los valores de parámetros magnéticos de Xlf y MRIS en el PU de la vialidad de mayor tránsito vehicular concuerda con los resultados presentados por Aguilar-Reyes et al. (2011) y Cejudo et al. (2015) en Ciudad de México, para áreas y vialidades que muestran mayor tráfico vehicular y actividad industrial, en donde el contenido de minerales magnéticos se incrementa (Tabla 1 y Figura 2).
Tabla 1 Estadística descriptiva de los parámetros magnéticos de polvo urbano de vialidades de Bogotá.
Parámetro | Vialidad | Promedio | Mediana | Mínimo | Máximo |
---|---|---|---|---|---|
Xif (μm3 kg-1) |
El Dorado** | 9.31 | 8.68 | 5.5 | 14.41 |
Caracas** | 4.36 | 4.39 | 2.12 | 5.65 | |
Calle 63* | 4.42 | 4.53 | 3.2 | 5.72 | |
Carrera 50* | 4.59 | 4.69 | 3.33 | 5.59 | |
Total | 5.67 | 5.06 | 2.12 | 14.41 | |
|
|||||
MRIS (mAm2 kg-1) |
El Dorado | 74.91 | 64.48 | 43.72 | 133.41 |
Caracas | 33.47 | 36.63 | 16.29 | 44.04 | |
Calle 63 | 36.84 | 37.65 | 26.16 | 46.01 | |
Carrera 50 | 36.95 | 40.42 | 20.9 | 46.11 | |
Total | 45.54 | 41.60 | 16.29 | 133.41 | |
|
|||||
Xdf% (%) |
El Dorado | 0.79 | 0.72 | 0.47 | 1.47 |
Caracas | 0.61 | 0.61 | 0.45 | 0.79 | |
Calle 63 | 0.67 | 0.63 | 0.41 | 1.00 | |
Carrera 50 | 0.57 | 0.61 | 0.12 | 0.95 | |
Total | 0.66 | 0.62 | 0.12 | 1.47 | |
|
|||||
S-300 | El Dorado | 0.98 | 0.99 | 0.96 | 1.00 |
Caracas | 0.97 | 0.97 | 0.94 | 1.00 | |
Calle 63 | 0.98 | 0.98 | 0.96 | 1.02 | |
Carrera 50 | 0.98 | 0.98 | 0.94 | 1.03 | |
Total | 0.98 | 0.98 | 0.94 | 1.03 |
*Sistema de transporte público con motor a gasolina
**Sistema de transporte público con motor diesel
El PU de las vialidades de Bogotá mostró valores de Xdf % < 2.0%, indicando una concentración baja de material SP en el PU y los valores del cociente S-300 fueron > 0.7, mostrando una mayor proporción de minerales magnéticos de baja coercitividad como la magnetita (Figura 2 y Tabla 1). Las curvas termomagnéticas muestran dos fases magnéticas principales: la primera a 320 °C, la cual es compatible con la Tc de la greigita y una segunda fase cercana a los 580 °C correspondiente con Tc de titanomagnetita con bajo contenido de Ti. Todas las curvas mostraron un incremento abrupto de la susceptibilidad a partir de 400 °C y expresando el máximo alrededor de 530 °C (Figura 3). Este comportamiento está asociado a la transformación mineralógica de los cristales magnéticos de características superparamagnéticas a la formación de cristales de magnetita, los cuales tienen un comportamiento magnético más estable (pico de Hopkinson). Este comportamiento se observa frecuentemente en muestras con partículas provenientes de emisiones vehiculares (Hoffman et al., 1999; Aguilar-Reyes et al., 2011; Cejudo et al., 2015, Sánchez-Duque et al., 2015; Yurtseven-Sanker y Cioppa, 2016; Tauxe et al., 2018).
3.2. LOS METALES PESADOS EN EL POLVO URBANO
Los elementos más abundantes fueron Fe y Zn, los de menor concentración V y Ni (Fe>Zn>Cu>Pb>Cr>V>Ni) (Figura 4).

Figura 4 Concentración de elementos y valor de PLI encontrados en el polvo urbano de Bogotá por vialidad.
Los PU de las vialidades Av. Dorado y Caracas mostraron concentraciones más altas de Cr, Cu, Fe, Ni, Pb, V y Zn, en comparación con los PU de Carrera 50 y Calle 63. El alto contenido de Fe, Zn y Pb son evidencias de la adición de fuentes antrópicas al ambiente cuyo origen son las emisiones vehiculares y desgaste de piezas de los automotores (Figura 4) (Machado et al., 2008).
Los resultados de PLI en el PU de las vialidades de Bogotá indicaron que, las cuatro vialidades mostraron valores de PLI>1, por lo que hay contaminación por metales pesados en casi todos los sitios (Figura 4). Se encontraron algunos sitios de las vialidades Carrera 50 y Calle 63 que mostraron valores de PLI ≤ 1 que indican lugares con bajo contenido de metales pesados (Figura 4). Mientras que, las vialidades de Av. Dorado y Caracas mostraron sitios con valores de PLI > 4, por lo que se encuentran altamente contaminadas (Figura 4). De acuerdo con lo reportado para otras ciudades, el desgaste de piezas vehiculares y el uso de combustibles fósiles incrementan la concentración de Fe, Zn, Cr y Pb (Al-Dahabi et al., 2010; Aguilar-Reyes et al., 2011; Cejudo et al., 2015; Liu et al., 2018; Jeong et al., 2020).
3.2.1. TAMAÑO DE PARTÍCULA
Los análisis de tamaño de partícula practicados al PU de dos vialidades mostraron en promedio una concentración menor al 10% del peso de la muestra con partículas de tamaño menor a 2.5 μm (PM2.5); para partículas menores a 1 μm (PM1.0) mostraron un valor menor al 5%; por lo tanto, existe una cantidad muy pequeña de material fino en el PU de Bogotá (Figura 5).
Las muestras de Calle 63 (vialidad con vehículo y transporte con motor a gasolina) exhibieron mayor contenido de partículas finas (PM2.5 y PM1.0) en comparación con las muestras de la Av. El Dorado (vialidad con el transporte público con motor a diesel y vehículos con motor a gasolina, Figura 5). Las concentraciones de partículas finas en ambas vialidades fueron menores al 10% del peso, existe la probabilidad de que el clima haya contribuido a la baja concentración (viento), dado que el muestreo fue hecho durante la época de sequía.
3.2.2. EL MODELO DE PRONÓSTICO DE LA CONTAMINACIÓN CON METALES PESADOS DEL POLVO URBANO
Las correlaciones lineales entre los parámetros magnéticos Xlf, SIRM, Xdf% y el contenido de Cr, Cu Fe y Zn exhibieron un coeficiente de correlación (CC)> 0.3 y valor de p <0.05, indican correlaciones significativas con un nivel de confianza del 95% (Tabla 2). El valor de PLI mostró un CC<0.39 para los parámetros magnéticos de Xlf y MRIS (Tabla 2).
Tabla 2 Correlaciones entre parámetros magnéticos con concentración de metales pesados y valor de PLI para polvo urbano de Bogotá.
Xif | Xdf% | MRIS | Cr | Cu | Fe | Ni | Pb | V | Zn | PLI | |
---|---|---|---|---|---|---|---|---|---|---|---|
Xlf | 1.00 | ||||||||||
|
|||||||||||
Xdf % | 0.32 | 1.00 | |||||||||
0.04 | |||||||||||
MRIS | 0.98 | 0.32 | 1.00 | ||||||||
0.00 | 0.04 | ||||||||||
Cr | 0.36 | 0.09 | 0.26 | 1.00 | |||||||
0.02 | 0.57 | 0.11 | |||||||||
Cu | 0.49 | 0.20 | 0.40 | 0.76 | 1.00 | ||||||
0.00 | 0.22 | 0.01 | 0.00 | ||||||||
Fe | 0.43 | 0.04 | 0.33 | 0.74 | 0.83 | 1.00 | |||||
0.01 | 0.82 | 0.04 | 0.00 | 0.00 | |||||||
Ni | 0.37 | 0.18 | 0.32 | 0.41 | 0.47 | 0.54 | 1.00 | ||||
0.05 | 0.33 | 0.09 | 0.02 | 0.01 | 0.00 | ||||||
Pb | 0.26 | 0.15 | 0.23 | 0.45 | 0.53 | 0.58 | 0.46 | 1.00 | |||
0.11 | 0.37 | 0.16 | 0.00 | 0.00 | 0.00 | 0.01 | |||||
V | 0.03 | 0.22 | -0.02 | 0.14 | 0.06 | 0.46 | 0.19 | 0.37 | 1.00 | ||
0.90 | 0.30 | 0.91 | 0.51 | 0.79 | 0.02 | 0.40 | 0.07 | ||||
Zn | 0.48 | 0.07 | 0.40 | 0.54 | 0.82 | 0.88 | 0.50 | 0.54 | 0.30 | 1.00 | |
0.00 | 0.69 | 0.01 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.14 | |||
PLI | 0.39 | 0.13 | 0.30 | 0.70 | 0.83 | 0.80 | 0.63 | 0.57 | 0.41 | 0.74 | 1.00 |
0.01 | 0.44 | 0.06 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.04 | 0.00 |
El modelo de RNA uso un número de neuronas y capas por proceso de ensayo y error para identificar la topología más adecuada, ya que no existe una metodología que permita optimizar el número de capas y neuronas a usar (Figura 6 y Tabla 3; López et al., 2005; Bre et al., 2017; Alizamir et al., 2018; Guzmán et al., 2018).

Figura 6 Arquitectura de la red neuronal óptima para estimar los valores de PLI en polvo urbano de vialidades de Bogotá (" Valores de entrada normalizados).
Tabla 3 Coeficientes de la matriz de peso (W) y bias (b) para el perceptrón multicapa para cada capa de la red neuronal artificia.
Capa oculta 1 |
Capa oculta 2 |
Capa de salida |
|||||
---|---|---|---|---|---|---|---|
( ,1) | ( ,2) | ( ,3) | ( ,1) | ( ,2) | ( ,1) | ||
b | (1, ) | 0.862248 | -4.798164 | 0.635061 | -1.1025673 | -0.1187727 | -0.20101 |
W | (2, ) | -10.411474 | -1.479215 | 2.032144 | 1.1268239 | -3.1445708 | -0.51206 |
W | (3, ) | 3.277743 | 1.309473 | 24.703695 | 1.532919 | -1.3158005 | 2.33677 |
W | (4, ) | 5.878601 | 5.679536 | -17.286839 | -0.8261946 | 1.7979804 |
Los resultados fueron separados en una matriz de entrenamiento (28 datos) y matriz de prueba (12 datos). Las matrices fueron normalizadas de acuerdo a los valores máximos (Xlf de 2.33 μm3 kg-1; Xdf % de 1.48 %; MRIS de 102.14 mAm2 kg-1 y PLI de 5.0) y mínimos (Xlf de 3.05 μm3 kg-1; Xdf % de 0.12 %; MRIS de 20.60 mAm-2 kg-1 y PLI de 1.0) de la matriz principal.
La matriz de peso y la configuración de la red neuronal que se obtuvo para la matriz de datos (70% de datos) normalizados, se muestra en la Tabla 3 y Figura 6. El modelo de regresión lineal entre el valores de PLI medido y el valor de PLI estimado (obtenido con RNA) mostró un valor de CC de 0.60 y un valor de P< 0.05, el cual indica una relación estadísticamente significativa entre las variables con un nivel de confianza del 95.0% (Tabla 4 y Figura 7), el cual es mayor al encontrado en los modelos de regresión lineal simple que mostraron un CC de 0.39 y 0.30 para Xlf y MRIS respectivamente (Tabla 2).
Tabla 4 Validación cruzada del parámetro PLI obtenido de las redes neuronales (RNA) y observaciones medidas para polvo urbano de Bogotá
Capa | Topología RNA | Validación cruzada | ||||||
---|---|---|---|---|---|---|---|---|
Entrada | Salida | Datos | Capa oculta |
arreglo | Error Cuadrático |
CC | r2 | Valor-P |
Xif,Xdf%, MRIS |
PLI | 75%* | 2 | (3,2) | 5.0 | 0.44 | 19.35 | 0.20 |
Xif,Xdf
%, MRIS |
PLI | 70%** | 2 | (3,2) | 3.1 | 0.60 | 35.80 | 0.04 |
Xif,Xdf %, MRIS |
PLI | 75%* | 1 | (2,1) | 4.5 | 0.48 | 22.82 | 0.16 |
Xif,Xdf %, MRIS |
PLI | 70%** | 1 | (2,1) | 3.7 | 0.48 | 22.57 | 0.12 |
*30 datos de entrenamiento y 10 de prueba.
**28 datos de entrenamiento y 12 de prueba

Figura 7 Validación cruzada de valores de PLI real vs PLI estimado por medio del modelo de red neuronal artificial para polvo urbano de Bogotá.
Las vialidades de Bogotá que mostraron valores de PLI > 3 fueron por donde circula el transporte con motor a diesel (Av. El Dorado y Caracas), el área donde hay intersección con otras avenidas incrementan el valor de PLI (Figura 8). Los sitios de la avenida Caracas (sitios de 14 a 17) que estuvieron cerca de la zona de escorrentía en la parte este de la Ciudad, mostró valores PLI > 3, pero disminuyen el valor de PLI conforme se aleja de las partes altas, por lo que se infiere que el factor geográfico contribuye al incremento de valores de PLI (Figura 8), probablemente por material transportado por escorrentía de las áreas altas. Los sitios de las vialidades, por donde circula el transporte público con motor a gasolina presentaron valores de PLI entre 1 y 2, por lo que estos sitios se encuentran moderadamente contaminados por metales pesados (Figura 8). Los valores estimados de PLI con el modelo de red neuronal mostraron similitudes con los valores calculado de PLI obtenidos por las concentraciones. Sin embargo, se observó que la red neuronal estima un número mayor de sitios con valores de PLI más altos, tal es el caso de la Calle 63, en donde se observó sitios con valores de PLI estimados entre 2 y 3, en comparación con los valores de PLI determinados de 1 a 3 (Figura 8).

Figura 8 Mapa del índice de carga de contaminación determinado por concentración de elementos (superior) y por el modelo de red neuronal artificial (inferior) para las vialidades de Bogotá, Colombia.
El modelo RNA mostró un buen desempeño para la identificación de sitios con valores altos de PLI para vialidades primarias. El modelo de RNA y parámetros magnéticos podrían ser una herramienta adicional para la evaluación de la contaminación vehicular, el cual es muy complejo (Khare y Nagendra, 2006). En este estudio, el área fue una fracción pequeña del centro urbano, por lo que es necesario evaluar el modelo de RNA en áreas de mayor tamaño, las cuales tienen vialidades con diferentes tipos de transportes, con la finalidad de determinar la capacidad de predicción del modelo RNA para identificar sitios contaminados en vialidades más complejas.
4. Conclusión
Se reconoció la presencia de material ferrimagnético de baja coercitividad en la mayor parte de las muestras de polvo proveniente de vialidades de Bogotá. Las muestras de polvo urbano de las avenidas Dorado y Caracas, por donde circulan autobuses de servicio público con motor a diesel presentaron valores altos de material magnético, en comparación con las vialidades de transporte público con motor a gasolina. Los resultados dan indicios de que, el tipo de transporte puede influenciar la concentración de material contaminante, sin embargo, el número de muestras, el área considerada y el número de vialidades no permiten determinar con precisión, si el tipo de transporte tiene influencia directa con los valores de los parámetros magnéticos observados.
Los resultados geoquímicos indican una variación importante en el contenido de metales pesados en las vialidades de Bogotá, Colombia, en donde la vialidad del Dorado exhibió varios sitios con concentraciones altas. Debido a la falta de valores de referencias para la ciudad de Bogotá, Colombia podría considerarse como sitios posiblemente contaminados.
El contenido alto de Fe, Pb y Zn en el polvo urbano de Bogotá sugieren una fuente antrópica como la responsable de la contaminación, siendo las emisiones vehiculares las fuentes principales de estos elementos. El índice de carga contaminante determinado directamente mostró que, hay sitios con una baja concentración de metales pesados en las vialidades de Bogotá, los cuales no son apreciados con el índice de carga contaminante obtenido con el modelo de redes neuronales, lo que sugiere el método de redes neuronales es un modelo de estimación. Por otra parte, el modelo de redes neuronales estima con mayor exactitud los sitios con índice de carga altos o sitios contaminados para las vialidades de Bogotá. Por lo tanto, el modelo de redes neuronales puede distinguir con mejor precisión los sitios que requieren de un estudio más detallado y que requiere un análisis geoquímico para identificar los elementos que causan la contaminación en las vialidades.
El tamaño de partícula fina presente en el polvo urbano de las vialidades de Bogotá mostró una cantidad menor al 5% del peso, por lo que es no es un factor contaminante, al menos en la época del año en que fue hecho este estudio, que es principalmente la temporada de sequía.
Los parámetros magnéticos de susceptibilidad magnética específica, magnetización remanente isotermal de saturación y la susceptibilidad dependiente de la frecuencia mostraron ser eficientes para determinar el valor de índice de carga contaminante por medio de una red neuronal de dos capas con 3 y 2 neuronas respectivamente.
El uso de parámetros magnéticos Xlf, Xdf% y MRIS como entradas en una Red Neuronal Artificial con una arquitectura de dos capas ocultas, con 3, 2 neuronas permiten estimar adecuadamente los valores de PLI de los sitios que muestran una alta concentración de metales pesados (Cr, Cu, Fe, Ni, Pb, V y Zn) en las vialidades de Colombia. Un modelo de red neuronal artificial podría ofrecer mejores resultados que los modelos de regresión lineal simple para el monitoreo proxy de metales pesados que se han propuesto hasta ahora.
El modelo de red neuronal mostró ventajas sobre los modelos de regresión lineal simple para la estimación e identificación de sitios contaminados. Los resultados sobre el uso de redes neuronales como método para estimar sitios contaminados son prometedores. Aunque, la superficie estudiada y el número de muestras empleadas no son suficientes para afirmar si el modelo de red neuronal puede predecir sitios contaminados en un área mayor, por lo que es necesario ampliar la investigación involucrando un número mayor de variables magnéticas que permitan obtener una mayor confiabilidad del proxy magnético.
En este tipo de análisis, se sugiere considerar el factor geográfico, ya que las áreas de estudio cercanas a las vías de escorrentías pluviales muestran un descenso de la concentración de elementos comparados con las zonas de baja pendiente.