Servicios Personalizados
Revista
Articulo
Indicadores
-
Citado por SciELO
-
Accesos
Links relacionados
-
Similares en SciELO
Compartir
Revista Chapingo serie ciencias forestales y del ambiente
versión On-line ISSN 2007-4018versión impresa ISSN 2007-3828
Rev. Chapingo ser. cienc. for. ambient vol.30 no.1 Chapingo ene./abr. 2024 Epub 03-Dic-2024
https://doi.org/10.5154/r.rchscfa.2023.02.010
Artículo científico
Modelado espacial y temporal de contaminantes atmosféricos en la Zona Metropolitana de la Ciudad de México
1Colegio de Postgraduados, Postgrado en Ciencias Forestales, Campus Montecillo. km 36.5 Carretera México-Texcoco, col. Montecillo. C. P. 56230. Texcoco, Estado de México, México.
2Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias (INIFAP), Centro Nacional de Investigación Disciplinaria en Conservación y Mejoramiento de Ecosistemas Forestales (CENID-COMEF). Av. del Progreso núm. 5, col. Barrio de Santa Catarina. C. P. 04010. Coyoacán, Ciudad de México, México.
3Instituto Nacional de Investigaciones Forestales, Agrícolas y Pecuarias (INIFAP), Centro Nacional de Investigación Disciplinaria en relación Agua, Suelo, Planta, Atmósfera (CENID-RASPA). km 6.5 margen derecha Canal de Sacramento. C. P. 35140. Gómez Palacio, Durango, México.
4Universidad Nacional Autónoma de México, Instituto de Geología. Circuito Interior s/n, Ciudad Universitaria. C. P. 04510. Coyoacán, Ciudad de México, México.
Introducción:
Las grandes ciudades presentan problemas de contaminación atmosférica por la emisión de gases contaminantes y material particulado (PM).
Objetivos:
Conocer la variación intra e interanual de los contaminantes (NOX, CO, O3, PM10 y PM2.5) en la Zona Metropolitana de la Ciudad de México y modelar su distribución espacial.
Materiales y métodos:
Se analizaron los datos de 44 estaciones de la Red Automática de Monitoreo Atmosférico (RAMA) para extraer información de los contaminantes NOX, O3 y CO en el periodo 1986-2021, y PM2.5 y PM10 en los periodos 2000-2021 y 2003-2021, respectivamente. Se calcularon promedios mensuales por estación y se evaluó la tendencia temporal de cada contaminante mediante el operador ‘Theil-Sen’. También se modeló la distribución espacial de los contaminantes y se comparó el desempeño estadístico de cuatro métodos de interpolación: Redes neuronales, Support Vector Machine, Random Forest y Kriging Universal.
Resultados y discusión:
Las concentraciones de NOX y CO fueron altas en noviembre-enero, mientras que las de O3 en abril-mayo. Las concentraciones más bajas de PM10 y PM2.5 ocurrieron en julio-octubre y las máximas en mayo. Todos los contaminantes disminuyeron su concentración durante el periodo analizado, con cambios más notorios en NOX (-1.28 ppb·año-1), mientras que CO fue el de menor cambio (-0.12 ppm·año-1). Los valores máximos de NOX, O3 y CO se presentaron en 1993 y de PM en 2003. El mejor modelo fue Support Vector Machine, independientemente del contaminante analizado.
Conclusión:
La dinámica espaciotemporal varió entre los contaminantes atmosféricos. El análisis con métodos de interpolación espacial es factible y favorece estrategias de solución a los problemas de contaminación.
Palabras clave: monóxido de carbono; óxidos de nitrógeno; ozono; partículas sólidas; Machine Learning
Introduction:
Large cities have air pollution problems due to the emission of polluting gases and particulate matter (PM).
Objectives:
To know the intra- and inter-annual variation of pollutants (NOX, CO, O3, PM10 and PM2.5) in Mexico City Metropolitan Area and to model their spatial distribution.
Materials and methods:
Data from 44 stations of the Automatic Air Monitoring Network (RAMA) were analyzed to extract information for the pollutants NOX, O3 and CO in the period 1986-2021, and PM2.5 and PM10 in the periods 2000-2021 and 2003-2021, respectively. Monthly averages per station were calculated and the temporal trend of each pollutant was evaluated using the 'Theil-Sen' operator. The spatial distribution of pollutants was also modeled and the statistical performance of four interpolation methods was compared: Neural Networks, Support Vector Machine, Random Forest and Kriging Universal.
Results and discussion:
NOX and CO concentrations were high from November to January, while O3 from April to May. The lowest concentrations of PM10 and PM2.5 took place from July to October and the highest in May. All pollutants decreased in concentration during the period analyzed, with the most noticeable changes in NOX (-1.28 ppb·yr-1), while CO had the smallest change (-0.12 ppm·yr-1). The maximum values for NOX, O3 and CO occurred in 1993 and for PM in 2003. The best model was Support Vector Machine, regardless of the pollutant analyzed.
Conclusion:
Spatio-temporal dynamics varied among air pollutants. The analysis with spatial interpolation methods is viable and favors solution strategies to pollution problems.
Keywords: carbon monoxide; nitrogen oxides; ozone; particulate matter; Machine Learning.
Ideas destacadas:
El NOX, O3, CO, PM10 y PM2.5 se analizaron en la Zona Metropolitana de la Ciudad de México (ZMCM).
La dinámica espacio temporal varió entre contaminantes en la ZMCM.
Las concentraciones de los contaminantes disminuyeron en los periodos analizados.
El NOX tuvo mayor disminución (-1.28 ppb∙año-1) y CO fue el de menor cambio (-0.12 ppm∙año-1).
Support Vector Machine presentó mejor ajuste para la interpolación de los contaminantes.
Introducción
Los contaminantes atmosféricos constituyen uno de los principales problemas en las grandes ciudades, producto de una alta densidad poblacional, así como del incremento en la urbanización, transporte e industrialización (Guzmán-Morales et al., 2011). La Zona Metropolitana de la Ciudad de México (ZMCM) es una de las regiones más pobladas del mundo; de acuerdo con el último censo de población y vivienda, la zona cuenta con 20.1 millones de habitantes y el movimiento de más de 46 millones de automóviles en promedio mensual (Instituto Nacional de Estadística y Geografía [INEGI], 2020, 2022). Lo anterior enfatiza la importancia del estudio y medición de contaminantes atmosféricos en la zona urbana sobre todo en un contexto espacial (Camarillo et al., 2014).
La ZMCM tiene condiciones poco favorables para la ventilación atmosférica, debido al paisaje montañoso que rodea a la cuenca del Valle de México, situación que dificulta la dispersión de contaminantes (Barrera Huertas et al., 2019). La ZMCM comprende una superficie de 4 726.4 km2 y está conformada por las alcaldías de la Ciudad de México y 16 municipios del Estado de México. Por ser el centro urbano más grande del país, el estudio de la contaminación atmosférica es esencial, particularmente con el fin de entender la dinámica espacio temporal y sus riesgos para la salud humana (Guzmán-Morales et al., 2011; López et al., 2021; Navarro, 2019).
La exposición prolongada de contaminantes atmosféricos es perjudicial para la población; por ejemplo, en la Ciudad de México, 70 a 80 % de las partículas sólidas (PM) medias o menores de 10 µm (PM10) está constituido por 13 % de metales tóxicos (Chow et al., 2002). Por otro lado, el incremento de las PM2.5 afecta el sistema respiratorio de la población ocasionando enfermedades pulmonares crónicas, cáncer de pulmón e infecciones respiratorias, lo que destaca la importancia de la medición de contaminantes en las zonas urbanas (Xing et al., 2016).
El efecto de los contaminantes no solo se limita a la salud humana sino también en los ecosistemas forestales (Romieu et al., 1996). En los bosques, las concentraciones altas de metales pesados, producto de la contaminación atmosférica, en conjunto con las PM, inhiben la germinación de las semillas y afectan el crecimiento y desarrollo de las plántulas. Además, la contaminación atmosférica influye en procesos bioquímicos y fisiológicos que dañan las membranas celulares, reducen la transpiración, impiden la síntesis de proteínas y ácidos proteicos e inhiben la fotosíntesis de las plantas (Aliyar et al., 2020; Muhammad et al., 2021).
La Red Automática de Monitoreo Atmosférico (RAMA) de la ZMCM cuenta con 44 estaciones que, de 1986 a la fecha, proporcionan información de contaminantes cada hora. Desafortunadamente, la distribución de las estaciones no es homogénea, lo que impide conocer con exactitud el grado de contaminación en toda la región. Por tanto, la información de RAMA tiene limitaciones para generar estrategias de solución a los problemas de contaminación, particularmente en aquellos relacionados con su distribución espacial. En este sentido, es necesario el uso de herramientas como la geoestadística, ya que permite realizar predicciones de carácter espacial, particularmente en aquellas zonas donde se carece de información (Correa et al., 2023).
Las técnicas geoestadísticas tradicionales como el Kriging son utilizadas ampliamente, debido a que permiten la estimación de una variable en lugares no muestreados con base en la información proporcionada por la muestra, a partir del ajuste del modelo espacial o semivariograma empírico (Espinoza & Molina, 2014). Recientemente, el uso de métodos de ‘Machine Learning’ han ganado mayor popularidad, porque permiten la toma de decisiones o predicciones con base en un aprendizaje automatizado mediante sistemas computacionales y algoritmos capaces de aprender y mejorar a partir de los resultados (Yuan et al., 2020). La combinación de estas herramientas permite la realización de estudios sobre la distribución espacial de datos sin una distribución homogénea. Por tanto, los objetivos de esta investigación fueron: i) conocer la variación intra e interanual de los contaminantes NOX, CO, O3, PM2.5 y PM10 registrados en la base de datos de RAMA para la ZMCM, y ii) comparar cuatro métodos de interpolación espacial, incluyendo técnicas de Machine Learning (Redes Neuronales, Support Vector Machine y Random Forest) y de interpolación espacial tradicional (Kriging), con el fin de generar mapas de la distribución espacial de contaminantes.
Materiales y métodos
Área de estudio
La ZMCM forma parte de una cuenca endorreica (Figura 1) y se ubica en la parte central del Eje Neovolcánico Transversal, entre los 19° 03’ - 19° 54’ LN y 98° 38’ - 99° 31’ LO con una elevación promedio de 2 240 m. Los climas son templados húmedo y subhúmedo con lluvias en verano y clima seco (Villalobos, 2006).

Figura 1 Ubicación del área de estudio y de estaciones pertenecientes a la Red Automática de Monitoreo Atmosférico (RAMA) de la Zona Metropolitana de la Ciudad de México (ZMCM).
La población que habita en la ZMCM es de 20.1 millones, lo que representa 17 % de la población nacional, aunque poco menos de la mitad vive dentro de la Ciudad de México (INEGI, 2020). Las actividades económicas dominantes corresponden al sector de servicios, comercio y actividades industriales (Espejel, 2019).
Compilación y depuración de base de datos de contaminantes
La base de datos de contaminantes, a nivel estación, se descargó de la plataforma Red Automática de Monitoreo Atmosférico (RAMA) (https://datos.cdmx.gob.mx/dataset/red-automatica-de-monitoreo-atmosferico) del periodo 1986-2021 para los gases NOX, O3 y CO, 2000-2021 para PM10 y 2003-2021 para PM2.5. La base de datos de RAMA contiene información de las concentraciones de los contaminantes registrados a nivel hora en cada estación de monitoreo.
Se utilizaron 44 estaciones distribuidas en la ZMCM; sin embargo, cada contaminante tuvo un número distinto de estaciones, ya que los sensores de algunas no estuvieron activos en ciertas fechas. Entonces, para NOX, O3 y CO se utilizaron 30, 35 y 31 estaciones, respectivamente, mientras que para PM2.5 y PM10 se utilizaron 24.
La base de datos por contaminante proporciona información por fecha, hora y estación. Por tanto, para construir una base de datos multianual que integrara todas las estaciones, estas se unieron en un solo archivo por contaminante mediante el software R. Posteriormente, los datos se transformaron a nivel día, mes y año para su análisis correspondiente. La base de datos se depuró mediante la eliminación de datos nulos o erróneos (<1 % del total) que pudieran afectar los parámetros estadísticos. Por último, las bases de datos multianuales se exportaron en formato ‘shape’ para su análisis geoestadístico posterior.
Análisis estadístico descriptivo
Se realizó un análisis estadístico descriptivo (media, mediana, mínimo y máximo) de los contaminantes NOX, CO, O3, PM2.5 y PM10; además, se evaluó la correlación entre estos mediante el coeficiente de Spearman, dado que los datos no se ajustaron a una distribución normal. El análisis estadístico se hizo en R versión 4.0.5 (R Development Core Team, 2021).
Variación intra e interanual de los contaminantes
Para evaluar la dinámica temporal de los contaminantes en el transcurso del año, se calcularon los valores promedio mensuales por estación y por zona. La tendencia temporal a nivel anual se determinó con el operador ‘Theil-Sen’, un método no paramétrico robusto que permite obtener tendencias temporales en series cortas de tiempo. El método ajusta una regresión lineal simple entre todos los pares de datos y calcula la mediana de las pendientes de todas las líneas (Akritas et al., 1995).
Métodos de modelación e interpolación espacial
La modelación espacial se clasifica de acuerdo con las técnicas estadísticas siguientes: a) interpolación espacial, b) regresión espacial y c) Machine Learning (Chen et al., 2019; Pérez et al., 2021). En este estudio, se comparó el desempeño predictivo de cuatro métodos: 1) interpolación espacial (Kriging Universal) y 2) Machine Learning considerando algoritmos supervisados (Neural Network, Supported Vector Machine y Random Forest, por sus nombres en inglés) (Castro et al., 2017; Pedrero et al., 2021). Estos métodos se utilizaron para modelar la distribución espacial mensual y anual de cada uno de los contaminantes en la ZMCM. El análisis de modelación e interpolación espacial se hizo con el software R versión 4.0.5 (R Development Core Team, 2021).
La interpolación con el método Kriging Universal se realizó con la función ‘autoKrige’, la cual ajusta variogramas de forma agrupada de diferentes modelos (esférico, exponencial y gaussiano), para realizar finalmente la predicción con el modelo óptimo en las áreas con datos faltantes (Estarlich et al., 2013).
Para el análisis de Neural Network se utilizó el paquete estadístico ‘R neuralnet’, considerando cinco capas de neuronas elegidas arbitrariamente para entrenar el modelo. Para Supported Vector Machine, se utilizó la función ‘ksvm’ del paquete ‘kernlab’, considerando un algoritmo de Kernel polinomial con un parámetro de penalización de 25, lo cual evita sobreajuste de los datos (García & Lozano, 2007). Finalmente, la interpolación con Random Forest se hizo con la librería ‘ranger’ en R, considerando 1 000 árboles y un solo nodo (Espinosa-Zuñiga, 2020).
A diferencia de los métodos de interpolación tradicionales (Kriging Universal), donde se utiliza la ubicación espacial de las variables de interés (v. g., coordenadas), la modelación e interpolación para Maching Learning utiliza matrices de distancia entre pares de puntos, debido a que las coordenadas están correlacionadas entre sí. Finalmente, con el promedio de todos los datos, se generaron mapas de distribución de contaminantes por mes e históricos.
Validación y desempeño estadístico de los modelos
El desempeño de los modelos se evaluó mediante el coeficiente de determinación (R2), error medio absoluto (MAE) y error cuadrático medio (RMSE):
donde,
y i = iésimo valor observado
n = número de valores predichos u observados con i = 1, 2,…, n
Estas métricas permiten la identificación del mejor modelo que se ajusta a los datos; los valores bajos de RMSE indican un mejor ajuste, R2 indica la bondad o la aptitud del modelo y el MAE es un puntaje lineal y significa que las diferencias individuales se ponderarán por igual en el promedio (Beguin et al., 2017; Pérez et al., 2021).
Resultados y discusión
Estadísticos históricos de contaminantes en la ZMCM
El promedio de NOX fue 20.8 ± 0.17 ppb con un máximo histórico de 111 ppb (estación Hangares, inactiva) y un mínimo de 0.1 ppb en la estación Milpa Alta (Cuadro 1). Algunos autores indican disminución de NOX en la ZMCM (Sandoval & Jaimes, 2002; Navarro, 2019), aunque la Secretaría del Medio Ambiente (SEDEMA) reporta aumento de NOX en 2018. Estos autores enfatizan que las fuentes móviles son las que aportan más del 85 % de las emisiones contaminantes en la ZMCM.
Cuadro 1 Estadística descriptiva de los contaminantes reportados por la Red Automática de Monitoreo Atmosférico (RAMA) en la Zona Metropolitana de la Ciudad de México.
Contaminante | NOX (ppb) | CO (ppm) | O3 (ppb) | PM10 (µg∙m-3) | PM2.5 (µg∙m-3) |
---|---|---|---|---|---|
Media | 22.0 ± 0.17 | 1.86 ± 0.01 | 33.3 ± 0.12 | 47.7 ± 0.28 | 23.6 ± 0.14 |
Mediana | 20.8 ± 0.17 | 1.35 ± 0.01 | 30.8 ± 0.12 | 44.4 ± 0.28 | 22.8 ± 0.14 |
Mínimo | 0.10(MPA) | 0.10(MPA) | 5.75(UIZ) | 11.40(INN) | 7.69(INN) |
Máximo | 111.0(HAN*) | 13.0(TLA) | 96.9(CES*) | 145.0(XAL) | 68.2(SAG) |
Periodo | 1986-2021 | 1986-2021 | 1986-2021 | 2000-2021 | 2003-2021 |
n | 7 042 | 8 755 | 8 613 | 4 224 | 2 682 |
NOX: óxidos de nitrógeno, CO: monóxido de carbono, O3: ozono, PM10 y PM2.5: partículas sólidas medias o menores de 10 y 2.5 µm, respectivamente. MPA: Milpa Alta, HAN: Hangares, TLA: Tlalnepantla, UIZ: UAM Iztapalapa, CES: Cerro de la Estrella, INN: Investigaciones Nucleares, XAL: Xalostoc, SAG: San Agustín, *Estaciones inactivas.
El promedio de CO fue 1.86 ± 0.01 ppm, valor por debajo del límite de referencia (9.0 ppm) de la NOM-021-SSA1-202 (Secretaría de Salud, 2021). El valor máximo fue 13.0 ppm en la estación Tlalpan y el mínimo fue 0.1 ppm en la estación Milpa Alta. La SEDEMA menciona que CO fue el contaminante con mayor emisión absoluta total en 2018 (646 434 Mg), representando 75.3 % del total de las emisiones contaminantes atmosféricas, producto principalmente de la combustión incompleta de gasolina, gas natural, petróleo y otros materiales orgánicos, en concordancia por lo reportado por Miller (2011).
El O3 es un gas secundario formado por reacciones químicas y fotoquímicas entre las emisiones primarias antropogénicas y naturales de sus precursores óxidos de nitrógeno (NOX) y compuestos orgánicos volátiles (COV) o hidrocarburos (Calderón et al., 2000). El O3 tuvo una media histórica de 33.3 ± 0.12 ppb, con una concentración máxima de 96.9 ppb en la estación Cerro de la Estrella (CES), sobrepasando los límites establecidos de 90.0 ppb por la NOM-020-SSA1-2021 (Secretaría de Salud, 2021).
Para PM10 se obtuvo un promedio de 47.7 ± 0.28 µg∙m-3 con un máximo de 145 µg∙m-3 en la estación de Xalostoc, al norte de la ZMCM. En esta estación, las fuentes principales de partículas suspendidas son la erosión del suelo, las industrias y los caminos sin pavimentar, que incrementan las concentraciones de PM10 (Cervantes et al., 2005). El mínimo histórico de PM10 fue de 11.4 µg∙m-3 en la estación de Investigaciones Nucleares (INN), al sur de la ZMCM. Por su parte, las partículas PM2.5 poseen una media histórica de 23.6 ± 0.14 µg∙m-3 con un máximo en San Agustín (SAG) de 68.2 µg∙m-3 y un mínimo de 7.69 µg∙m-3 en INN. Chow et al. (2002) mencionan que las partículas PM2.5 y PM10 están compuestas por nitratos, sulfatos, amonio, carbono orgánico, carbono elemental y material geológico, que en grandes cantidades son perjudiciales para el ecosistema.
Variación intra e interanual de contaminantes en la ZMCM
Las mayores concentraciones de NOX se registraron en diciembre y enero (>60 ppb) y disminuyeron durante junio-agosto (<50 ppb) (Figura 2a). También se observó que hay estaciones que superan las 100 ppb de NOX. Estas altas concentraciones se explican por las condiciones meteorológicas dominantes e inversiones térmicas en invierno, ya que, por ejemplo, la radiación y temperatura bajas se asocian con concentraciones altas de NOX (Sandoval & Jaimes, 2002).
El CO no tuvo variaciones significativas a lo largo del año (Figura 2b), debido a que las concentraciones de este compuesto dependen de las emisiones de los automóviles e industrias, las cuales se mantienen constantes en el transcurso del año (Madrigal et al., 2004). Por su parte, el O3 (Figura 2c) presentó las mayores concentraciones en abril y mayo (>40 ppb), lo cual coincide con la cantidad elevada de radiación solar emitida en ese periodo con diferentes longitudes de radiación ultravioleta (UV) (Wedyan et al., 2020). Estas, a su vez, disocian el oxígeno por reacción fotoquímica y, cuando se encuentra disponible, reacciona con otras moléculas circundantes (NOX, COV y CO) permitiendo la formación de ozono. Posiblemente, la nubosidad y una menor radiación en diciembre y enero disminuyen la radiación UV y, por tanto, reducen las concentraciones de O3.
Las PM2.5 y PM10 dependen de la emisión de partículas por transporte, industria, residencia, comercio y servicios (Popovicheva et al., 2020). El periodo con menor concentración de estas partículas fue durante la temporada de lluvias (junio-agosto, Figura 2d-e). Esta información coincide con otros estudios que señalan que las concentraciones de PM disminuyen en la temporada de lluvias, la cual desempeña un papel de remoción húmeda de partículas, pero incrementan en periodos secos por acumulación de polvo en el follaje (Vinasco & Nastar, 2013; Zhou et al., 2020).

Figura 2 Distribución mensual de los óxidos de nitrógeno (NOX), ozono (O3), monóxido de carbono (CO), partículas sólidas 10 (PM10) y 2.5 (PM2.5) en la Zona Metropolitana de la Ciudad de México. La línea punteada señala el límite permisible de los contaminantes según las normas NOM-023-SSA1-2021, NOM-020-SSA1-2021, NOM-021-SSA1-2021 y NOM-025-SSA1-2021.
Variación interanual de los contaminantes en la ZMCM
El comportamiento de los contaminantes a nivel interanual fue variable; por ejemplo, el pico máximo de NOX se registró en 1993 (Figura 3), así como de O3 y CO. Esto coincide con estudios que señalan que el año 1993 fue el más frío y con menor precipitación en la ZMCM (Pérez et al., 2010). Estas emisiones rebasaron los límites permisibles de contaminación y las normas establecidas para la zona centro (Mercado et al., 1995). En ese año se tuvo mayor contaminación como producto de las emisiones de empresas farmacéuticas, artículos plásticos e industrias básicas de hierro y acero, las cuales causaron 64 % de emisiones atmosféricas en el Valle de México. Estas empresas usan combustibles fósiles e incrementan las emisiones de CO, O3, NOX y COV (Mercado et al., 1995). A partir de 1995, las concentraciones han disminuido, particularmente durante la última década, a pesar de que el flujo vehicular y el número de vehículos han incrementado. Tal disminución se puede atribuir a las mejoras en la fabricación de automóviles, además de la implementación del programa para mejorar la calidad de aire en el Valle de México (Sheinbaum, 2016).
La concentración de PM10 en la ZMCM durante el periodo 2000-2012 excedió los límites de 50 µg∙m-3 señalados por la NOM-025-SSA1-2021 (Secretaría de Salud, 2021). Este incremento se atribuye principalmente a las emisiones derivadas de transporte, la actividad industrial y a la reincorporación de polvos por la circulación de vehículos (Villalobos, 2006). Durante 2019 y 2020 se registró la menor concentración de PM10, lo cual probablemente esté relacionado con el cierre drástico de actividades, producto de la pandemia COVID-19. Por ejemplo, durante 2020 se redujo el tránsito vehicular en la ZMCM, lo que restringió la movilidad pública y la disminución de actividades productivas e industriales (Ale et al., 2020).

Figura 3 Comportamiento interanual de los óxidos de nitrógeno (NOX), ozono (O3), monóxido de carbono (CO), partículas sólidas 10 µm (PM10) y 2.5 µm (PM2.5) en la Zona Metropolitana de la Ciudad de México. El área gris clara representa el error estándar entre las estaciones incluidas en el análisis.
Las PM2.5 excedieron el valor límite establecido por la NOM-025-SSA1-2021 y la Organización Mundial de la Salud (OMS, 2005: 25 µg∙m-3) en la mayor parte del periodo analizado; aunque en el 2020, las concentraciones disminuyeron, probablemente también a causa de la reducción de actividades por el confinamiento social derivado de la pandemia COVID-19. Por otro lado, las tendencias temporales de NOX, CO, O3, PM10 y PM2.5 son negativas e indican disminución de los contaminantes en la ZMCM (Figura 3). El contaminante con mayor disminución fue NOX (-1.28 ppb∙año-1) y el de menor CO (-0.12 ppm∙año-1), mientras que PM2.5 y O3 presentan pendientes similares -0.47 µg∙m-3∙año-1 y -0.45 ppb∙año-1, respectivamente.
Por otra parte, el coeficiente de Spearman señala correlación alta entre los contaminantes NOX, CO, PM10 y PM2.5; sin embargo, el O3 no mostró asociación significativa con PM10 y PM2.5 (Cuadro 2). Los valores de correlación más altos se presentaron entre NOX, CO y O3, lo cual puede atribuirse a la reacción fotoquímica que existe en la formación del O3; es decir, el oxígeno, una vez disponible, reacciona con otros compuestos de NOX y CO (Jenkin & Clemitshaw, 2000).
Cuadro 2 Coeficiente de correlación de Spearman (***P < 0.001) entre los contaminantes analizados en la Zona Metropolitana de la Ciudad de México: óxidos de nitrógeno (NOx), ozono (O3), monóxido de carbono (CO), partículas sólidas 10 (PM10) y partículas sólidas 2.5 (PM2.5).
Contaminante | NOX | O3 | CO | PM10 | PM2.5 |
---|---|---|---|---|---|
NOX | 1 | 0.95*** | 0.93*** | 0.85*** | 0.88*** |
O3 | 1 | 0.77*** | 0.05 | -0.14 | |
CO | 1 | 0.79*** | 0.86*** | ||
PM10 | 1 | 0.86*** | |||
PM2.5 | 1 |
Interpolación de los contaminantes en la ZMCM
No se encontró diferencia notable en el desempeño de los modelos Kriging Universal, Supported Vector Machine, Random Forest y Neural Network a nivel mensual; sin embargo, el método Supported Vector Machine fue ligeramente superior con valores de R2 = 0.98; mientras que los modelos con menor ajuste fueron Kriging Universal y Neural Network con R2 < 0.85.
Con base en el promedio histórico de cada contaminante, el modelo Supported Vector Machine presentó la mejor bondad con R2 superiores a 0.95, con excepción de CO, el cual obtuvo R2 = 0.76 (Cuadro 3). Respecto a MAE y RMSE, los modelos que presentaron mejor ajuste fueron Neural Network y Supported Vector Machine. El modelo Neural Network presentó MAE y RMSE inferiores de 3.0, aunque R2 fue menor de 0.8 para los contaminantes NOX, O3 y CO. Supported Vector Machine presentó MAE y RMSE menores de 3.0 para todos los contaminantes excepto para NOX (MAE y RMSE entre 4 y 6). Por otra parte, los resultados indicaron subestimación en los valores predichos utilizando Neural Network, Random Forest y Kriging Universal, principalmente para valores altos en los contaminantes CO y O3 (Figura 4). Por tanto, el modelo Supported Vector Machine tuvo las mejores características para modelar e interpolar los contaminantes analizados a nivel mensual, al igual que el promedio histórico.
Cuadro 3 Estadísticas de validación de los modelos para la interpolación de los promedios históricos por contaminante (NOX: óxidos de nitrógeno, CO: monóxido de carbono, O3: ozono, PM: partículas sólidas) en la Zona Metropolitana de la Ciudad de México.
Método | Estadístico | Contaminante | ||||
---|---|---|---|---|---|---|
NOX | O3 | CO | PM10 | PM2.5 | ||
(ppb) | (ppb) | (ppm) | (µg∙m-3) | (µg∙m-3) | ||
Neural Network | MAE | 1.52 | 0.49 | 0.07 | 1.05 | 0.35 |
R2 | 0.79 | 0.64 | 0.37 | 0.98 | 0.94 | |
RMSE | 1.58 | 2.76 | 0.07 | 1.08 | 0.36 | |
Kriging Universal | MAE | 5.99 | 2.39 | 0.48 | 3.25 | 1.39 |
R2 | 0.71 | 0.64 | 0.37 | 0.78 | 0.72 | |
RMSE | 7.85 | 2.76 | 0.6 | 4.97 | 1.83 | |
Random Forest | MAE | 5.43 | 2.57 | 0.42 | 0.86 | 0.55 |
R2 | 0.86 | 0.81 | 0.69 | 0.8 | 0.83 | |
RMSE | 6.72 | 2.85 | 0.54 | 1.18 | 0.86 | |
Support Vector Machine | MAE | 4.3 | 1.65 | 0.28 | 3.27 | 1.05 |
R2 | 0.98 | 0.98 | 0.76 | 0.99 | 0.98 | |
RMSE | 5.59 | 1.96 | 0.34 | 4.74 | 1.44 |
MAE: error medio absoluto, RMSE: error cuadrático medio.

Figura 4 Valores observados vs. predichos del conjunto de datos por contaminantes (NOX: óxidos de nitrógeno, CO: monóxido de carbono, O3: ozono, PM: partículas sólidas) con los modelos Kriging Universal (KU), Neural Network (NN), Random Forest (RF) y Support Vector Machine (SVM) en la Zona Metropolitana de la Ciudad de México. La línea punteada indica una relación 1:1.
La modelación geoestadística puede tener limitantes en la selección de parámetros, en particular los métodos de Machine Learning supervisado. Por ejemplo, las predicciones de Random Forest pueden presentarse más allá del rango de valores observados, en el caso de que algún grupo de datos presente ruido (Espinosa-Zuñiga, 2020). En el caso de Neural Network, la principal desventaja es que no se conoce su ecuación final ni los pesos que se emplean en el modelo, convirtiéndose en una caja negra (Sheu, 2020). Por su parte, Kriging Universal requiere encontrar un variograma óptimo para el conjunto de datos y así evitar extrapolaciones, además de que es sensible a un número bajo de puntos o una variación alta entre ellos (Shekaramiz et al., 2019). Finalmente, con el modelo Supported Vector Machine se deben elegir los parámetros Kernel y C de manera adecuada, ya que estos afectan la complejidad del modelo (Cunha et al., 2022; Liu & Xu, 2014). Pese a estas limitantes, Supported Vector Machine presentó el mejor ajuste para todos los contaminantes y, por tanto, se utilizó para representar su distribución espacial.
Dinámica espacial de los contaminantes en la ZMCM
De acuerdo con el análisis espacial se encontraron patrones diferentes de distribución de los contaminantes (Figura 5). Por ejemplo, NOX presentó un patrón circular, donde el área con mayor concentración se ubicó en la zona centro de la Ciudad de México con dos estaciones con valores altos (La Merced y Xalostoc > 60 ppb). Por su parte, O3 presentó la mayor concentración en las estaciones del Pedregal y Milpa Alta, las cuales se ubican en la parte sur del área de estudio. La concentración de O3 disminuyó hacia la parte centro y norte de la ZMCM, marcando un gradiente alto en el cuadrante suroeste. Los resultados concuerdan con el estudio de García (2009), quien indica que las fuentes de contaminantes se encuentran vientos abajo, fuera de las fuentes de emisión, por lo que la concentración alta de O3 se ubica en áreas montañosas al sur de la Ciudad de México (Figura 5).

Figura 5 Predicción espacial de la concentración histórica de contaminantes con el método Machine Learning-Support Vector Machine: óxidos de nitrógeno (NOX, 1986-2021), ozono (O3, 1986-2021), monóxido de carbono (CO, 1986-2021), partículas sólidas 10 µm (PM10, 2000-2021) y 2.5 µm (PM2.5, 2003-2021) en la Zona Metropolitana de la Ciudad de México. Los círculos negros representan estaciones de monitoreo pertenecientes a la Red Automática de Monitoreo Atmosférico (RAMA).
La mayor concentración de CO se encontró en el cuadrante centro noroeste, debido probablemente a un mayor uso de vehículos, los cuales constituyen la principal fuente de emisiones. No obstante, algunos autores han reportado relación entre altas concentraciones de CO y áreas donde la población tiene mayores ingresos en la Zona Metropolitana del Valle de México (ZMVM), particularmente para las emisiones de CO y dióxido de carbono (CO2 eq) (Pérez et al., 2018).
Las concentraciones de PM10 y PM2.5 fueron más altas en el centro y disminuyeron hacia la parte oeste. La estación con mayor concentración es Xalostoc con valores superiores a 70 µg∙m-3 de PM10 y a 30 µg∙m-3 de PM2.5. Esto puede estar asociado con lo señalado por Cervantes et al. (2005), quienes afirman que la estación se ubica en una zona con evidencias de erosión, presencia de industrias y caminos sin pavimentar.
Conclusiones
La dinámica espaciotemporal varió entre los contaminantes analizados. Las concentraciones más altas de NOX y CO se registraron en el periodo noviembre-enero, mientras que la concentración de O3 disminuyó en dicho periodo e incrementó en abril-mayo. Las concentraciones más bajas de partículas sólidas se presentaron en la época julio-octubre y el valor más alto en mayo. Independientemente del contaminante, las concentraciones disminuyeron en los últimos años; los cambios fueron más notorios en NOX y la menor reducción se observó en CO. Años clave como 1993 o 2020 mostraron picos máximos y mínimos, ligados principalmente al incremento/cierre de actividades humanas. Aunque no existieron diferencias notables entre los métodos de interpolación, principalmente entre aquellos pertenecientes a los métodos de Machine Learning, el método Support Vector Machine tuvo el mejor ajuste mensual e histórico para todos los contaminantes.
Agradecimientos
Al Consejo Nacional de Humanidades, Ciencias y Tecnologías por la beca otorgada a la primera autora para realizar estudios de posgrado; así como a la Línea de Generación y Aplicación del Conocimiento (LGAC) “Mejoramiento estructural y funcional de los ecosistemas forestales” por el financiamiento parcial
REFERENCIAS
Akritas, M. G. Murphy, S. A. Lavalley, M. P. (1995). The theil-sen estimator with doubly censored data and applications to astronomy. Journal of the American Statistical Association, 90(429), 170‒177. 10.1080/01621459.1995.10476499 [ Links ]
Ale, T. M. L. Moreno, S. K. Luque, Z. B. (2020). Perspectiva del COVID-19 sobre la contaminación del aire. Revista de la Sociedad Científica del Paraguay, 25(2), 155‒182. 10.32480/rscp.2020.25.2.155 [ Links ]
Aliyar, Z. B. Shafiei, A. B. Seyedi, N. Rezapour, S. Moghanjugi, S. M. (2020). Effect of traffic-induced air pollution on seed germination of Arizona Cypress (Cupressus arizonica Green) and Black Pine (Pinus nigra Arnold). Urban Forestry & Urban Greening, 55, 126841. 10.1016/j.ufug.2020.126841 [ Links ]
Barrera Huertas, H. A. Torres Jardón, R. Ruíz Suárez, L. G. Santos García Yee, J. Torres Jaramillo, A. Martínez Bolívar, A. P. García Reynoso, J. A. (2019). Análisis del transporte de ozono en la cuenca atmosférica de Puebla-Tlaxcala en el centro de México. Revista Internacional de Contaminación Ambiental, 35(4), 869‒888. 10.20937/rica.2019.35.04.08 [ Links ]
Beguin, J. Fuglstad, G.-A. Mansuy, N. Paré, D. (2017). Predicting soil properties in the Canadian boreal forest with limited data: Comparison of spatial and non-spatial statistical approaches. Geoderma, 306, 195‒205. 10.1016/j.geoderma.2017.06.016 [ Links ]
Calderón, G. D. Hernández, I. J. L. Castilla, S. L. Hernández, G. E. Barragán, M. G. Rodríguez, P. R. A. Villegas, O. G. (2000). El ozono como molécula reactiva. Concepto actual. Perinatología y Reproducción Humana, 14(2), 115‒123. https://www.medigraphic.com/pdfs/inper/ip-2000/ip002f.pdf [ Links ]
Camarillo, R. P. López, A. S. Rosales, L. J. C. Pérez, V. I. (2014). Análisis de datos de calidad del aire de la Zona Metropolitana del Valle de México mediante técnicas de agrupamiento. Research in Computing Science, 72, 137‒150. 10.13053/rcs-72-1-11 [ Links ]
Castro, M. García, D. Jiménez, A. (2017). Comparación de técnicas de interpolación espacial de propiedades del suelo en el piedemonte llanero colombiano. Tecnura, 21(53), 78‒95. 10.14483/22487638.11658 [ Links ]
Cervantes, M. G. T. Bracho, L. R. Bremauntz, A. F. (2005). Las partículas suspendidas en tres grandes ciudades mexicanas. Gaceta Ecológica, 74, 15‒28. https://www.redalyc.org/articulo.oa?id=53907402 [ Links ]
Chen, L. Ren, C. Li, L. Wang, Y. Zhang, B. Wang, Z. Li, L. (2019). A comparative assessment of geostatistical, machine learning, and hybrid approaches for mapping topsoil organic carbon content. ISPRS International Journal of Geo-Information, 8, 174. 10.3390/ijgi8040174 [ Links ]
Chow, J. Watson, J. Edgerton, S. Vega, E. (2002). Chemical composition of PM2.5 and PM10 in Mexico City during winter 1997. The Science of the Total Environment, 287(3), 177‒201. 10.1016/S0048-9697(01)00982-2 [ Links ]
Correa, I. J. de J. Romero, P. J. M. Pérez, R. P. Vázquez, A. A. (2023). Application of geostatistical models for aridity scenarios in northern Mexico. Atmósfera, 37, 233‒244. 10.20937/ATM.53103 [ Links ]
Cunha, V. Magoni, D. Inácio, P. Freire, M. (2022). Impact of self C parameter on SVM-based classification of encrypted multimedia peer-to-peer traffic. In L. Barolli, F. Hussain, & T. Enokido (Eds.), Advanced information networking and applications (pp. 180‒193). Springer. 10.1007/978-3-030-99584-3_16 [ Links ]
Espejel, M. J. (2019). La Zona Metropolitana del Valle de México: arreglos formales y fragmentación. Economía, Sociedad y Territorio, 19(60), 241‒271. https://www.redalyc.org/articulo.oa?id=11162787009 [ Links ]
Espinosa-Zuñiga, J. J. (2020). Aplicación de algoritmos Random Forest y XGBoost en una base de solicitudes de tarjetas de crédito. Ingeniería, Investigación y Tecnología, 21(3). 10.22201/fi.25940732e.2020.21.3.022 [ Links ]
Espinoza, E. P. Molina, C. E. (2014). Contaminación del aire exterior Cuenca-Ecuador, 2009-2013. Posibles efectos en la salud. Revista de la Facultad de Ciencias Médicas de la Universidad de Cuenca, 32(2), 6‒17. https://publicaciones.ucuenca.edu.ec/ojs/index.php/medicina/article/view/883/781 [ Links ]
Estarlich, M. Iñiguez, C. Esplugues, A. Mantilla, E. Zurriaga, Ò. Nolasco, A. Ballester, F. (2013). Variación espacial de la exposición a contaminación atmosférica en la ciudad de Valencia y su relación con un índice de privación. Gaceta Sanitaria, 27(2), 143‒148. 10.1016/j.gaceta.2012.05.010 [ Links ]
García, R. J. A. (2009). Influencia de la meteorología en la calidad de aire en la Zona Metropolitana del Valle de México. TIP Revista Especializada en Ciencias Químico-Biológicas, 12(2), 83‒86. 10.22201/fesz.23958723e.2009.2.27 [ Links ]
García, E. Lozano, F. (2007). Boosting support vector machines. https://elkingarcia.github.io/Papers/MLDM07.pdf [ Links ]
Guzmán-Morales, J. Morton-Bermea, O. Hernández-Álvarez, E. Rodríguez-Salazar, M. T. García-Arreola, M. Tapia-Cruz, V. (2011). Assessment of atmospheric metal pollution in the urban area of Mexico City, using Ficus benjamina as biomonitor. Bulletin of Environmental Contamination and Toxicology, 86, 495‒500. 10.1007/s00128-011-0252-9 [ Links ]
Instituto Nacional de Estadística y Geografía (INEGI) (2020). Censo de Población y Viviendahttps://www.inegi.org.mx/programas/ccpv/2020/ [ Links ]
Instituto Nacional de Estadística y Geografía (INEGI) (2022). Vehículos de motor registrados en circulaciónhttps://www.inegi.org.mx/programas/vehiculosmotor/ [ Links ]
Jenkin, M. Clemitshaw, K. (2000). Ozone and other secondary photochemical pollutants: Chemical processes governing their formation in the planetary boundary layer. Atmospheric Environment, 34, 2499‒2527. 10.1016/S1352-2310(99)00478-1 [ Links ]
Liu, Z. Xu, H. (2014). Kernel parameter selection for support vector machine classification. Journal of Algorithms & Computational Technology, 8(2), 163‒177. 10.1260/1748-3018.8.2.163 [ Links ]
López, F. A. Heres, D. Marquez, P. F. (2021). Air pollution exposure and COVID-19: A look at mortality in Mexico City using individual-level data. Science of the Total Environment, 756, 143929. 10.1016/j.scitotenv.2020.143929 [ Links ]
Madrigal, U. D. Hernández, R. J. C. Morales, M. C. (2004). Comportamiento del monóxido de carbono y el clima en la ciudad de Toluca, de 1995 a 2001. Ciencia Ergo-Sum, Revista Científica Multidisciplinaria de Prospectiva, 11(3), 263‒274. https://www.redalyc.org/articulo.oa?id=10411306 [ Links ]
Mercado, A. Domínguez, L. Fernández, O. (1995). Contaminación industrial en la zona metropolitana de la Ciudad de México. Comercio Exterior, 45(10), 766‒774. http://revistas.bancomext.gob.mx/rce/magazines/325/6/RCE6.pdf [ Links ]
Miller, B. G. (2011). Clean coal engineering technology. Butterworth-Heinemann. 85‒132. 10.1016/B978-1-85617-710-8.00004-2 [ Links ]
Muhammad, I. Shalmani, A. Ali, M. Yang, Q.-H. Ahmad, H. Li, F. B. (2021). Mechanisms regulating the dynamics of photosynthesis under abiotic stresses. Frontiers in Plant Science, 11. 10.3389/fpls.2020.615942 [ Links ]
Navarro, A. A. (2019). Control de la contaminación atmosférica en la Zona Metropolitana del Valle de México. Estudios Demográficos y Urbanos, 34, 631‒663. 10.24201/edu.v34i3.1806 [ Links ]
Secretaría de Salud (2021). Norma Oficial Mexicana NOM-021-SSA1-2021. Salud ambiental. Criterio para evaluar la calidad del aire ambiente, con respecto al monóxido de carbono (CO) en el aire ambiente, como medida de protección a la salud de la población. Diario Oficial de la Federación (DOF). https://www.dof.gob.mx/nota_detalle.php?codigo=5634084&fecha=29/10/2021#gsc.tab=0 [ Links ]
Secretaría de Salud (2021). Norma Oficial Mexicana NOM-021-SSA1-2021. Salud ambiental. Criterio para evaluar la calidad del aire ambiente, con respecto al ozono (O3), como medida de protección a la salud de la población. Diario Oficial de la Federación (DOF). https://www.dof.gob.mx/nota_detalle.php?codigo=5633956&fecha=28/10/2021#gsc.tab=0 [ Links ]
Secretaría de Salud (2021). Norma Oficial Mexicana NOM-023-SSA1-2021. Salud ambiental. Criterio para evaluar la calidad del aire ambiente, con respecto al dióxido de nitrógeno (NO2), como medida de protección a la salud de la población. Diario Oficial de la Federación (DOF). https://dof.gob.mx/nota_detalle.php?codigo=5633854&fecha=27/10/2021#gsc.tab=0 [ Links ]
Secretaría de Salud (2021). Norma Oficial Mexicana NOM-025-SSA1-2021 Salud ambiental. Criterio para evaluar la calidad del aire ambiente, con respecto a las partículas suspendidas PM10 y PM2.5 como medida de protección a la salud de la población. https://dof.gob.mx/nota_detalle.php?codigo=5633855&fecha=27/10/2021#gsc.tab=0 [ Links ]
Organización Mundial de la Salud (OMS) (2005). Guías de calidad del aire de la OMS relativas al material particulado, el ozono, el dióxido de nitrógeno y el dióxido de azufre. https://apps.who.int/iris/bitstream/handle/10665/69478/WHO_SDE_PHE_OEH_06.02_spa.pdf;jsessionid=2AC85F7FC5F727C4C6C10E06AE3CF64B?sequence=1 [ Links ]
Pedrero, V. Reynaldos, G. K. Ureta, A. J. Cortez, P. E. (2021). Generalidades del Machine Learning y su aplicación en la gestión sanitaria en servicios de urgencia. Revista Médica de Chile, 149(2), 248‒254. 10.4067/s0034-98872021000200248 [ Links ]
Pérez, J. I. J. Némiga, X. A. Gaytán, J. F. M. Cedillo, J. G. G. Plata, M. Á. B. Loik, M. E. Sanabria, J. M. C. (2010). Variaciones climáticas en la Zona Metropolitana de la Ciudad de Toluca, Estado de México: 1960-2007. Ciencia Ergo-Sum, Revista Científica Multidisciplinaria de Prospectiva, 17(2), 143‒153. https://www.redalyc.org/articulo.oa?id=10413200004 [ Links ]
Pérez, C. V. Schmelkes, E. López, C. O. Carrera, F. García, T. l. A. P. Teruel, G. (2018). Ingreso y calidad del aire en ciudades: ¿Existe una curva de Kuznets para las emisiones del transporte en la Zona Metropolitana del Valle de México?. El Trimestre Económico, 85(340), 745‒764. 10.20430/ete.v85i340.717 [ Links ]
Pérez, V. Z. R. Ángeles, P. G. Chávez, V. B. Valdez, L. J. R. Ramírez, G. M. E. (2021). Enfoque espacial para modelación de carbono en el mantillo de bosques bajo manejo forestal maderable. Madera y Bosques, 27(1). 10.21829/myb.2021.2712122 [ Links ]
Popovicheva, O. Ivanov, A. Vojtisek, M. (2020). Functional factors of biomass burning contribution to spring aerosol composition in a megacity: Combined FTIR-PCA Analyses. Atmosphere, 11(4), 19. 10.3390/atmos11040319 [ Links ]
R Development Core Team (2021). R: A Language and Environment for Statistical Computing. The R Foundation for Statistical Computing. https://www.R-project.org [ Links ]
Romieu, I. Meneses, F. Ruiz, S. Sienra, J. J. Huerta, J. White, M. C. Etzel, R. A. (1996). Effects of air pollution on the respiratory health of asthmatic children living in Mexico City. American Journal of Respiratory and Critical Care Medicine, 154, 300‒307. 10.1164/ajrccm.154.2.8756798 [ Links ]
Sandoval, J. Jaimes, J. L. (2002). Formación de ozono en la Ciudad de México durante una porción de primavera e invierno en cámaras de esmog exteriores. Revista de la Sociedad Química de México, 46(2), 180‒184. https://www.redalyc.org/articulo.oa?id=47546217 [ Links ]
Secretaría del Medio Ambiente (SEDEMA) (2018). Inventarios de emisiones de la ZMVM. https://www.sedema.cdmx.gob.mx/storage/app/media/DGCA/InventarioDeEmisionesZMVM2018.pdf [ Links ]
Sheinbaum, P. C. (2016). Contaminación atmosférica en la Zona Metropolitana del Valle de México. Revista Ciencia, 67, 70‒77. https://www.revistaciencia.amc.edu.mx/images/revista/67_3/PDF/Contaminacion.pdf [ Links ]
Shekaramiz, M. Moon, T. K. Gunther, J. (2019). A note on Kriging and Gaussian processes. 10.13140/RG.2.2.36631.83367 [ Links ]
Sheu, Y.-h. (2020). Illuminating the Black Box: Interpreting deep neural network models for psychiatric research. Frontiers in Psychiatry, 11. 10.3389/fpsyt.2020.551299 [ Links ]
Villalobos (2006). Inventario de emisiones de la ZMVM, 2006. http://centro.paot.org.mx/documentos/sma/ie06_criterio_pw23oct08_(1).pdf [ Links ]
Vinasco, S. Pablo, J. Nastar C. Nastar del Rio, T. C. (2013). Variación espacial y temporal de concentraciones de PM10 en el área urbana de Santiago de Cali, Colombia. Ingeniería de Recursos Naturales y del Ambiente (12), 129‒141. https://www.redalyc.org/pdf/2311/231130851011.pdf [ Links ]
Wedyan, G. N. Osama T. Al. Zainab M. A. (2020). The Influence of solar radiation on ozone column weight over Baghdad City. IOP Conference Series: Materials Science and Engineering, 928, 072089. 10.1088/1757-899X/928/7/072089 [ Links ]
Xing, Y.-F. Xu, Y.-H. Shi, M.-H. Lian, Y.-X. (2016). The impact of PM2.5 on the human respiratory system. Journal of Thoracic Disease, 8(1), E69‒E74. 10.3978/j.issn.2072-1439.2016.01.19 [ Links ]
Yuan, Q. Shen, H. Li, T. Li, Z. Li, S. Jiang, Y. Xu, H. Tan, W. Yang, Q. Wang, J. (2020). Deep learning in environmental remote sensing: Achievements and challenges. Remote Sensing Environment, 241, 111716. 10.1016/j.rse.2020.111716 [ Links ]
Zhou, Y. Yue, Y. Bai, Y. Zhang, L. (2020). Effects of rainfall on PM2.5 and PM10 in the middle reaches of the Yangtze River. Advances in Meteorology, 2398146. 10.1155/2020/2398146 [ Links ]
Recibido: 04 de Febrero de 2023; Aprobado: 17 de Noviembre de 2023