CALIDAD DEL AIRE EN HERMOSILLO Y MOVILIDAD URBANA
INTRODUCCIÓN
La importancia de respirar un aire limpio es fundamental para todo ser humano gracias a que este soporta al organismo. Por lo cual es importante que este sea un aire limpio. Pero, ¿cómo es que se sabe cuándo el aire este aire es limpio? y ¿cómo es que este aire contaminado nos afecta directamente e indirectamente a nosotros? Para esto se observará el aire en el área de Hermosillo y también ¿cómo la movilidad urbana influye en la contaminación del aire en esta zona y cómo esto ha cambiado gracias a la nueva normalidad.
La presencia de altas concentraciones de partículas en el aire puede causar o empeorar enfermedades cardiovasculares y pulmonares, por ejemplo, reduciendo la función pulmonar y ocasionando ataques de asma, bronquitis crónica y susceptibilidad a infecciones respiratorias, también puede causar arritmias y ataques de corazón y afectar, además, los sistemas nervioso central y reproductivo e incluso causar cáncer propiciando muerte prematura (EEA 2011). A lo largo de la historia la humanidad ha estado en contacto con los contaminantes atmosféricos, sin embargo, a medida que se desarrollaron las ciudades y se consolidó la revolución industrial la contaminación del aire se ha visto como algo común y cotidiano (Dickson 1996); hoy en día se ha demostrado de forma contundente la asociación de la contaminación por partículas con el incremento en la mortalidad en las grandes ciudades (Garibay-Chávez 2009). Asimismo, estudios epidemiológicos atribuyen los efectos más severos a la salud a la contaminación por partículas en el aire y al ozono, pero además para estos contaminantes aún no han sido identificados niveles seguros ya que incluso concentraciones por debajo de los criterios de calidad del aire pueden representar riesgos a la salud (WHO 2006).
Conforme el articulo avance, sea hará primordialmente una comparación de la calidad del aire entre Septiembre 2019 y Septiembre 2020, para poder observar las diferencias en la calidad de aire y si esta disminuyo dado que las personas dejaron de salir como antes. En esta parte se hará el análisis de la movilidad urbana para relacionar los datos este análisis se enfocará en la correlación de los datos entre la calidad del aire del 2020 con la variación de la movilidad urbana. Dicho análisis se llevará a cabo por medio de cálculos matemáticos y se representará por medio de gráficas para un mejor entendimiento, con el objetivo de dar solución a las preguntas planteadas.
ANTECEDENTES
Desde hace varias décadas la contaminación del aire se ha asociado con ciertos efectos nocivos para la salud de las poblaciones. En 1948 hubo niveles extremadamente altos de contaminación del aire los cuales fueron asociados con episodios de exceso de mortalidad en Sonora, Pennsylvania, en Estados Unidos de América (EUA), al igual que en Londres, Inglaterra, Meuse Valley, Bélgica. Estos episodios se caracterizaron por los elevados niveles de partículas, bióxido de azufre y mezclas. Por otra parte, los niveles de contaminación del aire no tan extremos también se han asociado con mortalidad prematura. Los análisis de datos procedentes de Londres han mostrado una asociación entre la mortalidad y un amplio rango de concentraciones de contaminantes, sin que exista evidencia de un umbral. La relación con partículas fue independiente de los niveles de bióxido de azufre, pero no viceversa. En otros países se han notificado hallazgos similares.
Los contaminantes del aire tienen distinto potencial para producir daños sobre la salud humana, dependiendo del tipo de contaminante, de las propiedades físicas y químicas de sus componentes, la frecuencia, duración de exposición y su concentración, entre otros factores. De manera genérica se establece que la capacidad de un contaminante para producir un efecto en la salud depende fundamentalmente de dos factores: 1) la magnitud de la exposición y 2) la vulnerabilidad de las personas expuestas. La magnitud de la exposición está en función de la concentración del contaminante en la atmósfera, de la duración de la exposición y de su frecuencia. La vulnerabilidad de las personas expuestas es significativamente diferente, algunos grupos de población son más sensibles o vulnerables que otros a la contaminación del aire, que obedece a factores intrínsecos, como la genética, etnia, género y edad; y a factores adquiridos como las condiciones médicas, acceso a los servicios de salud y nutrición. Los efectos en la salud pueden clasificarse en efectos agudos y, efectos crónicos sin la inclusión de cáncer y efectos cancerígenos.
Según las últimas estimaciones de la OMS sobre la carga mundial de morbilidad, la contaminación del aire exterior e interior provoca unos siete millones de defunciones prematuras. Esto representa actualmente uno de los mayores riesgos sanitarios mundiales, comparable a los riesgos relacionados con el tabaco, y superado únicamente por los riesgos sanitarios relacionados con la hipertensión y la nutrición. La OMS estima que un 80% de las defunciones prematuras relacionadas con la contaminación del aire exterior se deben a cardiopatía isquémica y accidente cerebrovascular, mientras que un 14% se deben a neumopatía obstructiva crónica o infección aguda de las vías respiratorias inferiores, y un 6% a cáncer de pulmón.
Comisión Federal para la Protección contra Riesgos Sanitarios. (2017, 31 diciembre).
TEORÍA
¿Qué es la calidad del aire?
El índice de calidad del aire (AQI) Para conocer el proceso de medición de la calidad del aire, también es importante conocer el AQI, el valor índice de la calidad del aire. Este índice notifica de manera diaria el grado de pureza o contaminación atmosférica y los efectos para la salud.
El AQI usa una regla que va de 0 a 500. Cuanto más alto es el valor, mayor es la contaminación del aire y más perjudicial es para la salud. Se divide en seis tramos y cada uno está representado por un color, un nivel para la salud y el índice de la calidad del aire:
- Verde: Buena para la salud (AQI de 0 a 50)
- Amarillo: Moderada (AQI de 51 a 100)
- Naranja: Dañina a la salud para grupos sensibles (AQI de 101 a 150)
- Rojo: Dañina a la salud (AQI 151 a 200)
- Morado: Muy dañina a la salud (AQI 201 a 300)
- Marrón: Peligrosa (AQI superior a 300)
¿Para qué sirve medir la calidad del aire?
A partir del estudio de la calidad del aire se puede conocer la composición y concentración de los múltiples gases y partículas que se encuentran dispersos en la atmósfera. Estos elementos deben hallarse en una proporción determinada, con el fin de cumplir con un equilibrio y una calidad que permita a todos los seres vivos disfrutar de una vida saludable sin contaminación ambiental. Los factores que afectan de manera directa e indirecta a la calidad del aire son diversos. Por ejemplo, en esta calidad influye drásticamente las variables meteorológicas que condicionan la dispersión y las reacciones químicas de los elementos presentes en la atmósfera. La temperatura, la humedad, los vientos, las precipitaciones, la radiación solar y la presión atmosférica desempeñan un papel fundamental en el proceso de medición del aire que respiramos.
¿Qué es la troposfera?
Capa de la atmósfera terrestre que está en contacto con la superficie de la Tierra y se extiende hasta una altitud de unos 10 km aproximadamente; en ella se desarrollan todos los procesos meteorológicos y climáticos.
¿Cuáles son los principales contaminantes del aire?
- Monóxido de carbono (CO)
- Óxidos de Nitrógeno (NO, NO2, NOx)
- Dióxido de azufre (SO2)
- Ozono (O3)
- Partículas suspendidas (PM10 y PM2.5)
¿Qué es la Movilidad Urbana?
La movilidad urbana es el conjunto de desplazamientos, tanto de personas como de mercancías, que se producen en una ciudad con el objetivo de recorrer la distancia que separa un lugar de otro. Se suele clasificar la movilidad urbana que utilizan un medio de transporte ya sea transporte público o privado. Los movimientos que se realizan en las ciudades pueden ser no motorizados, como peatonal, mediante bicicleta, patineta, patines, etc. o motorizadas en moto, coche, furgoneta, tráiler, autobús, tranvía, metro, etc.
La movilidad urbana es entonces un factor determinante tanto para la productividad económica de la ciudad como para la calidad de vida de sus ciudadanos y el acceso a servicios básicos de salud y educación.
METODOLOGÍA
En este proyecto se utilizo información obetenida de Estación Regional del Noroeste (ERNO), dependencia perteneciente a la UNAM. Los datos utilizados en este trabajo son del periodo de septiembre a noviembre en el 2019 y 2020. El método de muestre utilizado por Erno es el establecido en las Normas Oficiales Mexicanas NOM-022-SSAA1-2010(SO2),NOM-025-SSAA1-2014(PM10 y O3)
RESULTADOS Y DISCUSIÓN
- Importacion de datos
Comparaciones
- Hermosillo entre Septiembre 2019 y Septiembre 2020.
Comparacion de niveles de e ozono O3 en promedio diario en Hermosillo entre septiembre 2019 y septiembre 2020.
A continuación se mostrara una grafica de poligonos en la cual se verá reflejado el nivel de ozono O3 en promedio diario, en la ciudad de Hermosillo en el año de 2019 a 2020
Pero primero,
*O3
El ozono es un gas incoloro y un componente natural de la atmosfera que se encuentra en concentraciones bajas y es vital para nosotros.
La mayor parte de esta se encuentra en la ozonosfera que limita la radiación ultravioleta del sol. A esta se le llama el “ozono bueno”, en el que nos concentraremos mas es el denominado “ozono malo” el cual se encuentra al nivel del suelo y es producido por los automóviles, fabricas y otras reacciones químicas con el sol. Siendo la principal causa del “smog” (Contaminación del aire).
Los principales efectos negativos para el ser humano es que nos provocan efectos nocivos al sistema respiratorio. Como, por ejemplo: tos, bronquitis, asma, etc. Aparte de causar daño a las plantas junto con otros contaminantes ya que el ozono hace que el tejido de las hojas se vuelva más frágiles.
SeptiembreO3 <- data.frame(DataSept2019$Time,DataSept2019$O3,DataSept2020$O3)
gcov <- ggplot(data = SeptiembreO3)+
ggtitle("Ozono en el aire")+
geom_line(aes(x=DataSept2019$Time,y=DataSept2019.O3),color="red")+
geom_line(aes(x=DataSept2019$Time,y=DataSept2020.O3),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataSept2019$Time)
ggplotly(gcov)Observando los resultados obtenidos en las graficas se puede deducir
#Histogramas de frecuencia acumuladas
par(mfrow=c(1,2))
hist(DataSept2019$O3, breaks = "Sturges")
hist(DataSept2020$O3, breaks = "Sturges")
Comparacion de niveles de PM10 en Hermosillo entre septiembre 2019 y septiembre 2020.
- PM10
Las PM10 se pueden definir como aquellas partículas sólidas o líquidas de polvo, cenizas, hollín, partículas metálicas, cemento o polen, dispersas en la atmósfera, y cuyo diámetro varía entre 2,5 y 10 µm (1 micrómetro). Están formadas principalmente por compuestos inorgánicos, metales pesados y material orgánico asociado a partículas de carbono.
La exposición prolongada de estas partículas ocasionas efectos nocivos al sistema respiratorio. Aparte que gracias a que estas partículas luego caen en la tierra se genera una capa de polvo que afecta a la salud de la flora y fauna terrestre y acuática.
SeptiembrePM10 <- data.frame(DataSept2019$Time,DataSept2019$PM10,DataSept2020$PM10)
# O3 Septiembre O3
gcov <- ggplot(data = SeptiembrePM10)+
ggtitle("Particulas por millon menores a 10 en en el aire")+
geom_line(aes(x=DataSept2019.Time,y=DataSept2019.PM10),color="red")+
geom_line(aes(x=DataSept2019.Time,y=DataSept2020.PM10),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataSept2019.Time)
ggplotly(gcov)par(mfrow=c(1,2))
hist(DataSept2019$PM10, breaks = "Sturges")
hist(DataSept2020$PM10, breaks = "Sturges")
Comparacion de niveles de SO2 en Hermosillo entre septiembre 2019 y septiembre 2020.
- SO2
El Dióxido de azufre es un gas incoloro, irritante, con un olor. Su densidad es el doble que la del aire. Si se combina con agua se transforma en acido sulfúrico.
La principal fuente de emisión de dióxido de azufre a la atmósfera es la combustión de productos petrolíferos y la quema de carbón en centrales eléctricas y calefacciones centrales. Existen también algunas fuentes naturales, como es el caso de los volcanes.
Los principales efectos negativos a nuestro organismo son: la dificultad de respirar, inflamación en las vías respiratorias, irritación ocular, paro cardiaco, colapso circulatorio, etc.
SeptiembreS02 <- data.frame(DataSept2019$Time,DataSept2019$SO2,DataSept2020$SO2)
# O3 Septiembre O3
gcov <- ggplot(data = SeptiembreS02)+
ggtitle("Dióxido de azufre en el aire")+
geom_line(aes(x=DataSept2019.Time,y=DataSept2019.SO2),color="red")+
geom_line(aes(x=DataSept2019.Time,y=DataSept2020.SO2),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataSept2019.Time)
ggplotly(gcov)par(mfrow=c(1,2))
hist(DataSept2019$SO2, breaks = "Sturges")
hist(DataSept2020$SO2, breaks = "Sturges")
- Hermosillo entre Octubre 2019 y Octubre 2020.
A continuación se mostrara una grafica de poligonos en la cual se verá reflejado el nivel de ozono O3 en promedio diario, en la ciudad de Hermosillo durante el mes de Octubre entre los años 2019 y 2020
OctubreO3 <- data.frame(DataOct2019$Time,DataOct2019$O3,DataOct2020$O3)
gcov <- ggplot(data = OctubreO3)+
ggtitle("Ozono en el aire")+
geom_line(aes(x=DataOct2019$Time,y=DataOct2019.O3),color="red")+
geom_line(aes(x=DataOct2019$Time,y=DataOct2020.O3),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataOct2019$Time)
ggplotly(gcov)Observando los resultados obtenidos en las graficas se puede deducir
Comparacion de niveles de PM10 en Hermosillo entre Octubre 2019 y Octubre 2020.
OctubrePM10 <- data.frame(DataOct2019$Time,DataOct2019$PM10,DataOct2020$PM10)
# O3 Septiembre O3
gcov <- ggplot(data = OctubrePM10)+
ggtitle("Particulas por millon menores a 10 en en el aire")+
geom_line(aes(x=DataOct2019.Time,y=DataOct2019.PM10),color="red")+
geom_line(aes(x=DataOct2019.Time,y=DataOct2020.PM10),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataOct2019.Time)
ggplotly(gcov)par(mfrow=c(1,2))
hist(DataOct2019$PM10, breaks = "Sturges")
hist(DataOct2020$PM10, breaks = "Sturges")
Comparacion de niveles de SO2 en Hermosillo entre Octubre 2019 y Octubre 2020.
OctubreS02 <- data.frame(DataOct2019$Time,DataOct2019$SO2,DataOct2020$SO2)
# O3 Septiembre O3
gcov <- ggplot(data = OctubreS02)+
ggtitle("Dióxido de azufre en el aire")+
geom_line(aes(x=DataOct2019.Time,y=DataOct2019.SO2),color="red")+
geom_line(aes(x=DataOct2019.Time,y=DataOct2020.SO2),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataOct2019.Time)
ggplotly(gcov)par(mfrow=c(1,2))
hist(DataOct2019$SO2, breaks = "Sturges")
hist(DataOct2020$SO2, breaks = "Sturges")
- Hermosillo entre Noviembre 2019 y Noviembre 2020.
A continuación se mostrara una grafica de poligonos en la cual se verá reflejado el nivel de ozono O3 en promedio diario, en la ciudad de Hermosillo durante el mes de Noviembre entre los años 2019 y 2020
NoviembreO3 <- data.frame(DataNov2019$Time,DataNov2019$O3,DataNov2020$O3)
gcov <- ggplot(data = NoviembreO3)+
ggtitle("Ozono en el aire")+
geom_line(aes(x=DataNov2019$Time,y=DataNov2019.O3),color="red")+
geom_line(aes(x=DataNov2019$Time,y=DataNov2020.O3),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataNov2019$Time)
ggplotly(gcov)Observando los resultados obtenidos en las graficas se puede deducir
Comparacion de niveles de PM10 en Hermosillo entre Noviembre 2019 y Noviembre 2020.
NoviembrePM10 <- data.frame(DataNov2019$Time,DataNov2019$PM10,DataNov2020$PM10)
# O3 Septiembre O3
gcov <- ggplot(data = NoviembrePM10)+
ggtitle("Particulas por millon menores a 10 en en el aire")+
geom_line(aes(x=DataNov2019.Time,y=DataNov2019.PM10),color="red")+
geom_line(aes(x=DataNov2019.Time,y=DataNov2020.PM10),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataNov2019.Time)
ggplotly(gcov)par(mfrow=c(1,2))
hist(DataNov2019$PM10, breaks = "Sturges")
hist(DataNov2020$PM10, breaks = "Sturges")
Comparacion de niveles de SO2 en Hermosillo entre Noviembre 2019 y Noviembre 2020.
NoviembreS02 <- data.frame(DataNov2019$Time,DataNov2019$SO2,DataNov2020$SO2)
# O3 Septiembre O3
gcov <- ggplot(data = NoviembreS02)+
ggtitle("Dióxido de azufre en el aire")+
geom_line(aes(x=DataNov2019.Time,y=DataNov2019.SO2),color="red")+
geom_line(aes(x=DataNov2019.Time,y=DataNov2020.SO2),color="blue")+
ylab("Contaminantes en el aire")+xlab("Fecha")+
transition_reveal(DataNov2019.Time)
ggplotly(gcov)par(mfrow=c(1,2))
hist(DataNov2019$SO2, breaks = "Sturges")
hist(DataNov2020$SO2, breaks = "Sturges")
Particula/Personas en casa 2019
Fecha <- seq(from = as.Date("2020-09-01"), to = as.Date("2020-11-29"), by= "day")
#2019
vectorO32019 <- c(DataSept2019$O3,DataOct2019$O3,DataNov2019$O3[1:29])
vectorPM102019 <- c(DataSept2019$PM10,DataOct2019$PM10,DataNov2019$PM10[1:29])
vectorSO22019 <- c(DataSept2019$SO2,DataOct2019$SO2,DataNov2019$SO2[1:29])
#2020
vectorO32020 <- c(DataSept2020$O3,DataOct2020$O3,DataNov2020$O3[1:29])
vectorPM102020 <- c(DataSept2020$PM10,DataOct2020$PM10,DataNov2020$PM10[1:29])
vectorSO22020 <- c(DataSept2020$SO2,DataOct2020$SO2,DataNov2020$SO2[1:29])
VectorResidencial <- c(movilidad$residential_percent_change_from_baseline[200:289])
sepoc2019 <- data.frame(Fecha,vectorO32019,vectorPM102019,vectorSO22019,VectorResidencial)
sepoc2020 <- data.frame(Fecha,vectorO32020,vectorPM102020,vectorSO22020,VectorResidencial)
# Comparativa 2019
gPrueb <- ggplot(data=sepoc2019) +
ggtitle("Particulas en el aire/Personas en casa. Sep-Nov 2019") +
geom_line(aes(x=sepoc2019$Fecha,y=sepoc2019$vectorO32019, colour = 'O3 año 2019'), size = 0.5) +
geom_line(aes(x=sepoc2019$Fecha,y=sepoc2019$vectorSO22019, colour = 'SO2 año 2019'), size = 0.5) +
geom_line(aes(x=sepoc2019$Fecha,y=sepoc2019$vectorPM102019, colour = 'PM10 año 2019'), size = 0.5) +
geom_line(aes(x=sepoc2019$Fecha,y=sepoc2019$VectorResidencial, colour = 'Porcentaje residencial'), size = 1) +
ylab('Cantidad') + xlab('Fecha') +
#geom_hline(yintercept = 0, size = 0.05) +
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Particula/Personas en casa") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")+
transition_reveal(FechaEne)
ggplotly(gPrueb)## Warning: Use of `sepoc2019$Fecha` is discouraged. Use `Fecha` instead.## Warning: Use of `sepoc2019$vectorO32019` is discouraged. Use `vectorO32019`
## instead.## Warning: Use of `sepoc2019$Fecha` is discouraged. Use `Fecha` instead.## Warning: Use of `sepoc2019$vectorSO22019` is discouraged. Use `vectorSO22019`
## instead.## Warning: Use of `sepoc2019$Fecha` is discouraged. Use `Fecha` instead.## Warning: Use of `sepoc2019$vectorPM102019` is discouraged. Use `vectorPM102019`
## instead.## Warning: Use of `sepoc2019$Fecha` is discouraged. Use `Fecha` instead.## Warning: Use of `sepoc2019$VectorResidencial` is discouraged. Use
## `VectorResidencial` instead.Particula/Personas en casa 2020
# Comparativa 2020
gPrueb2 <- ggplot(data=sepoc2020) +
ggtitle("Particulas en el aire/Personas en casa. Sep-Nov 2020")+
geom_line(aes(x=sepoc2020$Fecha,y=sepoc2020$vectorO32020, colour = 'O3 año 2020'), size = 0.5) +
geom_line(aes(x=sepoc2020$Fecha,y=sepoc2020$vectorSO22020, colour = 'SO2 año 2020'), size = 0.5) +
geom_line(aes(x=sepoc2020$Fecha,y=sepoc2020$vectorPM102020, colour = 'PM10 año 2020'), size = 0.5) +
geom_line(aes(x=sepoc2020$Fecha,y=sepoc2020$VectorResidencial, colour = 'Porcentaje residencial'), size = 1) +
ylab('Cantidad') + xlab('Fecha') +
#geom_hline(yintercept = 0, size = 0.05) +
theme_bw()+
theme(
panel.grid.major.x = element_blank(),
axis.ticks.x = element_blank()
) +
labs(colour = "Particula/Personas en casa") +
scale_x_date(date_breaks = "2 week ", date_labels = "%d %b")+
transition_reveal(FechaEne)
ggplotly(gPrueb2)## Warning: Use of `sepoc2020$Fecha` is discouraged. Use `Fecha` instead.## Warning: Use of `sepoc2020$vectorO32020` is discouraged. Use `vectorO32020`
## instead.## Warning: Use of `sepoc2020$Fecha` is discouraged. Use `Fecha` instead.## Warning: Use of `sepoc2020$vectorSO22020` is discouraged. Use `vectorSO22020`
## instead.## Warning: Use of `sepoc2020$Fecha` is discouraged. Use `Fecha` instead.## Warning: Use of `sepoc2020$vectorPM102020` is discouraged. Use `vectorPM102020`
## instead.## Warning: Use of `sepoc2020$Fecha` is discouraged. Use `Fecha` instead.## Warning: Use of `sepoc2020$VectorResidencial` is discouraged. Use
## `VectorResidencial` instead.## vectorO32019 vectorPM102019 vectorSO22019 VectorResidencial
## vectorO32019 1.00000000 0.08063809 0.1666616 0.01657505
## vectorPM102019 0.08063809 1.00000000 0.4915666 -0.30932310
## vectorSO22019 0.16666160 0.49156660 1.0000000 -0.17025526
## VectorResidencial 0.01657505 -0.30932310 -0.1702553 1.00000000
## vectorO32020 vectorPM102020 vectorSO22020 VectorResidencial
## vectorO32020 1.0000000 0.24340350 0.22807415 -0.14066668
## vectorPM102020 0.2434035 1.00000000 0.61643220 -0.04089615
## vectorSO22020 0.2280741 0.61643220 1.00000000 -0.09481263
## VectorResidencial -0.1406667 -0.04089615 -0.09481263 1.00000000
Se puede apreciar que el año 2019 hubo una mayor concentración de Ozono, así mismo se aprecia que conforme transcurrían los meses no disminuía la concentración de Ozono, todo lo contrario a lo que sucedió en el año 2020 dónde el Ozono empezó a mantenerse más estable en el transcurso de los meses debido la situación de Pandemia donde muchas Industrias y automóviles dejaron de circular por tanto disminuyó la concentración de Ozono
CONCLUSIÓN
Con todo lo observado durante el proceso de este proyecto se pudo observar que los datos de la contaminación entre el 2019 y el 2020 variaron y no obtuvieron una relación como la que se podría esperar, ya que a inicios del 2020 se ocasiono la cuarentena y esto en cierto punto ayudo al control de la contaminación debido que la mayoría de las personas se mantuvieron en casa. Esto se pudo colaborar con los datos de movilidad urbana. La contaminación que se ocasiono al aire disminuyo gracias a que la mayoría de las personas que se quedaron en casa no utilizaron una forma de transporte motorizada.
BIBLIOGRAFÍA
Pérez Vidal, H., Lunagómez Rocha, M. A., & Acosta Pérez, L. (2010). Evaluación de la calidad del aire respecto de partículas suspendidas totales (PST) y metales pesados (Pb, Cd, Ni, Cu, Cr) en la ciudad de Hermosillo, Sonora, México, durante un periodo anual. scielo. http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S0188-49992013000400005
Subsecretaría Gestión Ambiental. (2017, noviembre). Principales Clases de Contaminantes del aire. sema. https://www.sema.gob.mx/SGA-MONITOREO-CLASES.htm
Google. (2020, 8 diciembre). Descubre cómo han cambiado los desplazamientos de tu comunidad debido al COVID‑19. Google mobility report. https://www.google.com/covid19/mobility/
Erno. (2020). datos de calidad del aire. Erno. ftp://132.248.8.31/caire/erno/L1/hora
CÁLCULO DEL ÍNDICE DE CALIDAD DEL AIRE TOMANDO EN CUENTA LAS RECIENTES MODIFICACIONES A LAS NOM-020-SSA1-2014 Y NOM-025-SSA1-2014. (2014). aire.cdmx. http://www.aire.cdmx.gob.mx/default.php?opc=%27ZaBhnmI=&dc=%27aQ