Calidad del aire y movilidad

Equipo 2. Cielo Aholiva Higuera Gutiérrez, Mariana Pompa Rivera, Saul López López y Cristina Gpe. Arguelles Lema, Jennifer Larissa Molina Esquerra, Ingrid Marol Mena Martinez, Kenya Alejandra Arreola Díaz

24/05/2021

Introducción

La gestión de la contaminación del aire se ha vuelto importante en el último periodo debido a las siguientes afirmaciones: “A causa del desarrollo industrial y avance tecnológico se estima aproximadamente 1200 millones de personas están expuestas a niveles de dióxido de azufre (SO2), muy por encima de por directrices de la Organización Mundial de la Salud (OMS) y aproximadamente 1400 millones de personas están expuestas a niveles excesivos de humo y material articulado (PM)” (Rico, 2018).

Objetivos

  • Determinar cómo varían las concentraciones de contaminantes en el aire y su relación con la movilidad durante el periodo Febrero 2020 - Mayo 2021 en la ciudad de Hermosillo, Sonora.

  • Comprobar el deterioro de la calidad del aire a partir de la reactivación económica en tiempos de COVID-19.

Antecedentes

En Hermosillo sonora, la contaminación del aire es elevada y la población desconoce acerca de este hecho. Existen antecedentes para esta ciudad de medición de PST (Partículas suspendidas totales similares a las PM10) de 1990 a 1995, reportándose que todos esos años se rebasó el máximo permisible anual de 75 μg/m^3 con promedios anuales que fluctuaban de 126 hasta 565 μg/m^3.

Figura 1.1. Contaminantes en Hermosillo

Calidad del aire

Calidad del aire es como la concentración de contaminante que llega a un receptor, más o menos lejano de la fuente de emisión, una vez transportado y difundido por la atmósfera.

Los principales responsables de la contaminación atmosférica son, por lo general:

  • Material particulado \((PM10)\), Ozono \((O_3)\), Dióxido de nitrógeno \((NO_2)\), Dióxido de azufre \((SO_2)\)

Figura 1.2. Generación de contaminantes atmosféricos

Ubicación de donde se obtuvieron los datos

Causas

Una las principales causas de la contaminación del aire es el uso de combustibles fósiles. Su liberación hacia la atmósfera produce un exceso de material particulado \((PM_10 y PM_2.5)\) y de gases de efecto invernadero como el dióxido de carbono, los óxidos de nitrógeno y los óxidos de azufre.

Consecuencias

Los niveles altos de contaminación del aire pueden causar problemas de salud inmediatos:

  • Agravar enfermedades cardiovasculares y respiratorias.
  • Producir más estrés al corazón y los pulmones que deben trabajar más para suministrar oxígeno al cuerpo.
  • Dañar las células del sistema respiratorio.

Figura 1.3

Metodología

Data Science.

Data Science o ciencia de datos es una disciplina científica centrada en el análisis de grandes fuentes de datos para extraer información, comprender la realidad y descubrir patrones con los que tomar decisiones, (Universidad Complutense Madrid, 2020)

Estadística descriptiva.

La estadística descriptiva es la parte de la estadística que sintetiza y resume la información contenida en un conjunto de datos, por tanto, un análisis descriptivo consiste en clasificar, representar y resumir los datos.

Metodología

Regresión lineal múltiple.

Los modelos de regresión múltiple pueden emplearse para predecir el valor de la variable dependiente o para evaluar la influencia que tienen los predictores sobre ella. (Rodrigo, 2016)

Los modelos lineales múltiples siguen la siguiente ecuación:

\[ Y_{i}=(\beta_{0}+\beta_{1}X_{1i}+\beta_{2}X_{2i}+\cdots+\beta_{n}X_{ni})+e_{i} \]

Análisis de Inflación de Varianza (VIF).

El factor de inflación de varianza (vif) es una medida de la cantidad de multicolinealidad en un conjunto de variables de regresión múltiple.

Resultados de metodología

Figura 1.4. Reporte de movilidad en Hermosillo, Sonora.

Resultados

Figura 1.5. Concentración de algunos contaminantes en el aire

índices de correlación entre contaminantes y movilidad

Figura 1.7 de dispersión

  • Las variables que tienen una mayor relación lineal con el dióxido de azufre (SO2) son: Mercados y farmacia (R= 0.443), Reativación y comercio (R= 0.404) y Residencia (R= -0.371).

Generación de modelo

## 
## Call:
## lm(formula = SO2 ~ O3 + PM10 + Reactivacion_Comercial + Supermercado_Farmacia + 
##     Parques_Centros + Estaciones_Transito + Lugares_Trabajo + 
##     Residencia, data = cm)
## 
## Residuals:
##      Min       1Q   Median       3Q      Max 
## -0.51190 -0.09921 -0.00269  0.09870  0.52906 
## 
## Coefficients:
##                          Estimate Std. Error t value Pr(>|t|)    
## (Intercept)            -0.0187954  0.0380324  -0.494 0.621416    
## O3                     -0.0057616  0.0009832  -5.860 9.10e-09 ***
## PM10                    0.0056324  0.0005408  10.415  < 2e-16 ***
## Reactivacion_Comercial  0.0096304  0.0020097   4.792 2.27e-06 ***
## Supermercado_Farmacia   0.0060624  0.0015668   3.869 0.000126 ***
## Parques_Centros        -0.0169489  0.0010860 -15.607  < 2e-16 ***
## Estaciones_Transito    -0.0018481  0.0013556  -1.363 0.173465    
## Lugares_Trabajo        -0.0106817  0.0009837 -10.858  < 2e-16 ***
## Residencia             -0.0352798  0.0041747  -8.451 4.32e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 0.1582 on 438 degrees of freedom
## Multiple R-squared:  0.6938, Adjusted R-squared:  0.6882 
## F-statistic: 124.1 on 8 and 438 DF,  p-value: < 2.2e-16

Fórmula

  • La fórmula principal de nuestro análisis fue:

  • Por lo que está estrategia seleccionó a las variables más adecuadas para ser los predictores, quedando la fórmula de la siguente forma:

Validación de condiciones para la regresión múltiple lineal

Figura 1.8. Regresión lineal múltiple

Datos atiplicos e influyentes

Gráfico 1.9: Distribución de posibles valores atípicos

Modelo lineal múltiple

  • El modelo lineal múltiple es capaz de explicar el 69.38% de la variabilidad observada en el SO2 (R2: 0.6938, R2-Adjusted: 0.6882). El test F muestra que es significativo (p-value: 2.2e-16). Se satisfacen todas las condiciones para este tipo de regresión múltiple. Dos observaciones (posición 314, 315 y 322) podrían estar influyendo de forma notable en el modelo.

Conclusión

  • Las concentraciones de contaminantes atmosféricos disminuyeron en gran medida en la ciudad de Hermosillo durante el periodo de aislamiento por COVID-19 de acuerdo a los datos obtenidos de RUOA

  • Estudiar y mejorar la calidad del aire es un tema de suma importancia para los sonorenses; la principal causa de morbilidad en el 2015 se atribuye a infecciones agudas respiratorias. Con esto nos damos una idea de la amenaza que representa una calidad del aire irregular para la ciudadanía.

Bibliografía

  • Índice de calidad del aire (ICA) de Hermosillo y contaminación del aire de México | AirVisual. Recuperado el 17 de mayo de 2021, de https://www.iqair.com/mx/mexico/sonora/hermosillo:IQAir

  • SENSORES DE BAJO COSTO PARA EL MONITOREO DE LA CALIDAD DEL AIRE EN HERMOSILLO SONORA. (2018). Recuperado el 15 de mayo de 2021, de :Link

  • Rodrígo, J. (2016). Introducción a la Regresión Lineal Múltiple. Obtenido de Ciencia de datos. Recuperado 23 de mayo de 2021, Sitio Web: Cienciadedatos

  • C. (2020, 26 marzo). Factor de inflación de varianza. Recuperado 23 de mayo de 2021, Sitio Web: Exonegocios