Análisis ARIMA del efecto de la cobertura de la superficie terrestre sobre las concentraciones

de PM10 en una megaciudad de gran altitud

Carlos Zafra*, Yenifer Ángel, Eliana Torres

*Ingeniero Ambiental, Facultad de Medio Ambiente y Recursos Naturales, Universidad Distrital Francisco José de Caldas, Av.
Circunvalar Venado de Oro, E-111711, Bogotá D.C., Colombia

ABSTRACT
Este artículo utiliza modelos ARIMA para el análisis temporal diario del efecto de la cobertura de la
superficie terrestre (LSC) sobre las concentraciones de PM10 en una megaciudad de gran altitud. Bogotá,
la capital de Colombia, es el centro urbano con la mayor densidad de población y el tercer nivel de
contaminación atmosférica más alto de América Latina. Se usaron seis estaciones automáticas de
monitoreo; estaban equipados con instrumentos de medición para PM10, temperatura y radiación solar,
así como también la velocidad del viento y la dirección del viento. La duración del período de muestreo fue
de 6 años. El sistema de muestreo por hora PM10 incluía equipos de monitoreo continuo que usaban
atenuación de rayos beta. Analizamos la estabilidad atmosférica y la distribución espacial de LSC (con
vegetación, sin vegetación, impermeable y cuerpos de agua) antes de aplicar el proceso iterativo de Box-
Jenkins para los modelos ARIMA. El análisis de ARIMA indica una mayor persistencia en la contaminación
de PM10 en presencia de un aumento de LSC vegetada (árboles y pastizales); la persistencia disminuyó en
presencia de LSCs más impermeables (techos, aceras y senderos). La persistencia de PM10 es de 2 días (48
h). La mejor distancia para demostrar estos hallazgos es entre 50 y 100 m, con respecto a la ubicación física
de las estaciones de monitoreo. Las áreas urbanas con predominio de LSC con vegetación registran
concentraciones más bajas de PM10 que las áreas urbanas con un predominio de LSC impermeables
(diferencia diaria media de ¼ 42,7%). Los hallazgos de este estudio sirven como un punto de referencia
para el desarrollo de estrategias diferenciadas para el control de la contaminación del aire en línea con el
LSC urbano.
1. Introducción pública. Las condiciones climáticas del área de
estudio no pueden ignorarse para este tipo de
El aumento de los niveles de enfermedades
análisis (Connell et al., 2005; Díaz-Robles et al.,
respiratorias en niños y adultos mayores
2008). Zhang et al. (2012) y Seinfeld y Pandis
causados por la contaminación del aire en áreas
(2016) informaron que la distribución y el
urbanas está fuertemente correlacionado con
transporte de PM dependían significativamente
niveles crecientes de material particulado
de las condiciones de estabilidad atmosférica (AS)
atmosférico (Pope y Dockery, 2006; Chow et al.,
y LSC (es decir, uso de la tierra existente).
2006; Wang et al., 2015). Los niveles más altos de
materia particulada (PM) se asocian Los estudios en áreas urbanas han reportado una
principalmente con la concentración de influencia significativa de LSC sobre las
actividades industriales y la cantidad de vehículos concentraciones de PM10. Chen et al. (2015)
de motor en las zonas urbanas (Jian et al., 2012; encontraron que la presencia de árboles en
Soto et al., 2014; Gocheva-Ilieva et al., 2014). Por Wuhan (China) redujo las concentraciones de
lo tanto, muchos países han decidido mejorar el PM10 entre 7 y 15%. Del mismo modo, Islam et al.
monitoreo activo en áreas urbanas para controlar (2012) y Yin et al. (2007) informaron una
este contaminante atmosférico. En consecuencia, reducción del total de partículas suspendidas
el estudio de una posible relación entre las (<100 mm) en áreas urbanas en un 55% (Khulna,
concentraciones de PM y el tipo de cobertura de Bangladesh) y un 30% (Shanghai, China),
la superficie terrestre (LSC) en áreas urbanas se respectivamente. McDonald et al. (2007)
vuelve urgente desde una perspectiva de salud utilizaron técnicas GIS, junto con la investigación
de campo, para pronosticar un aumento entre 3.7
y 16.5% y 3.6 y 8.0% de la cobertura total de
árboles en las conurbaciones de West Midlands y
Glasgow (Reino Unido) generaría una reducción
del 10% y 2% en las concentraciones primarias de
PM10, respectivamente. LSC con árboles actúa
como un sumidero eficaz de contaminantes
atmosféricos gaseosos y particulados (Gallagher
et al., 2002; Fowler et al., 2004). Sin embargo, el
polvo mineral que emana de la tierra descubierta
se identificó como la fuente de la disminución de
la calidad del aire en varias ciudades de Europa
Central (por ejemplo, Berlín y Zurich) (Wolf-
Benning et al., 2009; Minguillon et al., 2012). Titos
et al. (2014) informaron que durante las
condiciones de verano seco, más del 50% de
PM10 correspondió a polvo mineral
resuspendido de suelos desnudos y caminos
urbanos en Granada (España). Waked et al.
(2014) descubrieron que el 13% de la PM10 anual
promedio de Lens (Francia) podía rastrearse
hasta los suelos desnudos (fuentes de polvo
mineral). Los investigadores han llegado a un
consenso sobre los principales parámetros que
determinan el polvo y la producción de PM10, a
saber, la tasa de saltación (energía cinética por el
viento) y la textura del suelo (Avecilla et al.,
2016). Varios autores encontraron que las
potenciales emisiones de PM10 aumentaban en
función del contenido de limo y arcilla
disminuyendo en función del contenido de arena
del suelo (por ejemplo, Carvacho et al., 2004;
Funk et al., 2008). Liu et al. (2016) compararon la
eficiencia de remoción de PM en diferentes
superficies subyacentes en Beijing (China). Los
resultados de los autores mostraron que la
superficie del bosque urbano tenía la mejor
capacidad de remoción debido a su relativamente
baja tasa de resuspensión. La eficiencia de
remoción de PM de las masas de agua fue mayor
que la de las tierras desnudas debido a las tasas
relativamente altas de resuspensión de PM de la
tierra desnuda.
Los estudios muestran que AS desempeña un
papel importante en el transporte y la dispersión
de PM10; está significativamente correlacionado
con las variaciones de temperatura en altitud y
velocidad del viento (Zoras et al., 2006; Perrino et
al., 2008; Chambers et al., 2015). Lee et al. (2013)
indicaron que, en presencia de condiciones AS
extremas (inversión térmica) en Seúl (Corea del
Sur), las concentraciones de PM10 aumentaron
significativamente (> 100 mg / m3). Vecchi et al.
(2007) informaron un aumento del 13% en las
concentraciones de PM10 en las condiciones
prevalentes de AS nocturno en Milán (Italia), a
pesar de una reducción en las fuentes de emisión
activa, como el tráfico, la calefacción doméstica y
la actividad industrial. En condiciones diurnas de
inestabilidad atmosférica, las concentraciones de
PM10 tienden a disminuir (mayor dispersión).
La modelización de la calidad del aire ha
demostrado que los modelos meteorológicos
multiparamétricos más sofisticados tienden a
subestimar o sobreestimar significativamente las
concentraciones de contaminantes atmosféricos
debido a la complejidad de los fenómenos
involucrados (por ejemplo, Argiriou, 2007;
Kumar y Jain, 2010; Zhang et al., 2013; Seinfeld y
Pandis , 2016). Esta complejidad se debe a los
procesos fisicoquímicos que sufren los
contaminantes, las condiciones climáticas, el LSC
y la incertidumbre en la información de los
parámetros en estudio. Por lo tanto, los
pronósticos a corto y largo plazo pueden basarse
en la modelización estadística de series de tiempo
(Díaz-Robles et al., 2008; Kumar y Jain, 2010;
Reisen et al., 2014). Athanasiadis et al. (2005)
compararon varios modelos estadísticos (análisis
de regresión lineal-LRA, media móvil integrada
autoregresiva-ARIMA y análisis de componentes
principales-PCA) y algoritmos de clasificación
(redes neuronales artificiales, árboles de decisión
y reglas conjuntivas); los autores llegaron a la
conclusión de que, en términos del error de raíz
cuadrática media, los modelos de regresión lineal
(0.128) y ARIMA (0.153) fueron los más
adecuados para modelar la calidad del aire
urbano. Los modelos ARIMA desarrollados para el
análisis estadístico de series temporales se han
aplicado en varios estudios; estos estudios han
reportado un ajuste razonable y utilidad para
simular y pronosticar el comportamiento de los
contaminantes atmosféricos (por ejemplo, Liu,
2009; Gocheva-Ilieva et al., 2014; Soni et al.,
2014). Los modelos ARIMA se han considerado
útiles para evaluar la persistencia temporal de los
contaminantes atmosféricos que se han
informado (por ejemplo, Turias et al., 2008;
Kumar y De Ridder, 2010). En aras de la claridad,
la persistencia se refiere a la continuación de un
patrón de concentración de contaminantes de un
período al siguiente (Meraz et al., 2015).
Específicamente, estos modelos proporcionaron
un método autoregresivo ("memoria" del
fenómeno) para interpretar la variabilidad de
datos en series de tiempo para contaminantes
atmosféricos (Hernández et al., 1992; Díaz-Robles
et al., 2008; Hsu et al., 2014).
Este estudio se realizó con datos de una
megaciudad latinoamericana (8,85 millones de
habitantes en 2015). Bogotá (Colombia) es una
ciudad de gran altitud ubicada en la Cordillera de
los Andes (04 ° 36'35 '' N, 74 ° 04'54 '' O); su
altitud promedio es de 2600 msnm. El clima de
montaña tropical de la ciudad se caracteriza por
grandes variaciones de temperatura por hora
(variación máxima = 12 ° C). La ciudad es
reconocida como el centro urbano con la mayor
densidad de población (26,000 habitantes / km2)
y el tercer nivel de contaminación atmosférica
más alto de América Latina (Nelson et al., 2005;
Sarmiento et al., 2015). En términos globales, se
han publicado pocos estudios que evalúen el
comportamiento de PM10 en los centros urbanos
de países en desarrollo con características físicas
y condiciones climáticas similares; esta falta de
investigación, en parte, ha impulsado el
desarrollo de este estudio.
Este artículo utilizó los modelos ARIMA para el
análisis diario diario (2007-2012) de la influencia
de LSC en las concentraciones de PM10 en una
megaciudad de gran altitud. El estudio se realizó
utilizando seis estaciones automáticas de
monitoreo ubicadas en cuatro zonas de Bogotá:
Kennedy, Puente Aranda, Suba y Barrios Unidos.
Las estaciones de monitoreo utilizadas aquí
cubren 23.9 km del área urbana de la ciudad.
2. Materiales y métodos
2.1. Descripción del sitio de investigación
Seis estaciones automáticas de monitoreo se
colocaron en las localidades de Kennedy (S1 y S2),
Puente Aranda (S3), Suba (S4 y S5) y Barrios
Unidos (S6) en Bogotá, Colombia (ver Fig. 1). El
clima tropical de montaña (clima frío) de los sitios
de estudio tuvo una temperatura promedio diaria
(durante el período de muestreo) entre 13.3 y
14.3 ° C, con variaciones horarias entre 7.2 y 19 °
C. La Tabla 1 muestra las principales
características de las áreas cubiertas por cada
estación de monitoreo. Las seis estaciones
estaban equipadas con dispositivos de medición
PM10, además de dispositivos para medir la
temperatura, la velocidad del viento y la dirección
del viento. Las estaciones S1, S5 y S6 estaban
además equipadas con instrumentos utilizados
para medir la radiación solar. Las estaciones de
monitoreo cubrieron un total de 23.9 km del área
urbana de la ciudad (Fig. 1). La altitud de las
estaciones de monitoreo era similar a la de
Bogotá, entre 2563 y 2590 msnm.
2.2. Sistema de muestreo PM10
El período de muestreo duró 6 años (01/01 /
2007-12 / 31/2012). El sistema de muestreo
PM10 por hora consistía en equipos de
monitorización continua que utilizaban
atenuación de rayos beta (Met One Instruments,
BAM 1020). El protocolo de muestreo siguió las
pautas establecidas por la Agencia de Protección
Ambiental de los Estados Unidos en EPA / 625 /
R-96 / 010a-IO-1.2 (U.S.EPA, 1999). La velocidad
de flujo constante del equipo fue de 16.7 l / min.
El límite de detección más bajo fue de 3.6 mg / m3
y 1.0 mg / m3 para los intervalos de muestreo por
hora y por día, respectivamente. La resolución en
la medición fue de 0.24 mg en un rango de 1 mg.
La precisión fue ± 8% para intervalos de una hora
y ± 2% para intervalos diarios.
2.3. Análisis de estabilidad atmosférica
AS en las áreas de estudio se determinó a través
de las metodologías establecidas por Pasquill
(1961), Turner (1964) y Gifford (1976), con datos
horarios de velocidad del viento y radiación solar humedales). En las estaciones de monitoreo
(Zoras et al., 2006; Chambers et al., 2015 ) El AS seleccionadas, no hubo variación de LSC durante
predominante el período de monitoreo de PM10.
condición, medida como frecuencia de ocurrencia
horaria en el área urbana cubierta por las
estaciones de monitoreo (23.9 km de distancia),
fue analizada. Las estaciones de monitoreo usadas
para este cálculo fueron S1, S5 y S6 (ver Fig. 1). Se
aplicó una prueba de Kruskal-Wallis para evaluar
las diferencias en la frecuencia de ocurrencia
horaria entre las estaciones de monitoreo (df =
24, por estación de monitoreo). Esta es una
alternativa no paramétrica a un ANOVA de una
vía. La distribución no normal de los datos AS se
determinó con la prueba de Shapiro-Wilk (df = 24;
valores p <0,001). La siguiente escala cuantitativa
se usó para identificar cada condición AS: 1 =
estable, 2 = levemente estable, 3 = neutral, 3.5 =
neutral a ligeramente inestable, 4 = ligeramente
inestable, 4.5 = levemente inestable a inestable, 5
= inestable, 5.5 = inestable a muy inestable, y 6 =
muy inestable. Esta escala cuantitativa se
desarrolló para representar gráficamente las
variaciones horarias en AS.
2.4. Análisis de cobertura de la superficie terrestre
Para determinar el tipo de LSC alrededor de cada Fig. 1. Ubicación de las estaciones de monitoreo en Bogotá,
estación de monitoreo, recurrimos a imágenes Colombia (Google Maps, 2015). S1-Kennedy, S2-Carvajal, S3-
satelitales (satélite QuickBird de DigitalGlobe, Puente Aranda, S4-Corpas, S5-Guaymaral y S6-Barrios Unidos.

resolución de 2,0 m), creando una caja inicial de
80,000m2, con diagonales de 400 my un centro
para cada estación de monitoreo. Además, para
evaluar la variación espacial por tipo de LSC, se
consideraron cajas de diferentes longitudes en
términos de diagonales para cada estación de
monitoreo: 100 m (5000 m2), 200 m (20,000 m2),
400 m (80,000 m2), 800 m (320,000 m2), 1600 m
(1,280,000 m2) y 3200 m (10,240,000 m2). Los
estudios previos se han basado en el uso de la
tierra y la calidad del aire, respectivamente, como
guías metodológicas (por ejemplo, Bach et al.,
2015; Irga et al., 2015). En este estudio, se
consideraron cuatro tipos de LSC: vegetación
(árboles y pastizales), sin vegetación (suelo
desnudo), impermeable (techos, aceras y
caminos) y masas de agua (ríos, lagos y
2.5. Análisis de datos PM10
La variación horaria en las concentraciones de
PM10 para todas las estaciones de monitoreo se
evaluó a partir de los valores promedio para todo
el período de estudio (n = 24, por estación de
monitoreo). Se llevó a cabo un análisis con el
coeficiente de correlación de Spearman (rs) para
evaluar las relaciones en la concentración
promedio de PM10 por hora entre las estaciones
de monitoreo. La distribución no normal de los
datos de PM10 se determinó con la prueba de
Shapiro-Wilk (df = 24, valores de p <0,048). Se
realizó una comparación gráfica entre la variación
horaria de la concentración promedio de PM10 y
la condición media de AS para estudiar la
influencia de los ciclos horarios de emisión de
PM10 de los vehículos de motor y las industrias
ubicadas en toda el área de estudio. Finalmente,
las concentraciones diarias promedio de PM10 de
estaciones de monitoreo ubicadas en áreas con
LSC predominantemente impermeable (S1, S2 y
S3) se compararon con las concentraciones de
estaciones ubicadas en áreas con LSC
predominantemente con vegetación (S4, S5 y S6).
2.6. Desarrollo y análisis del modelo ARIMA
La información PM10 por hora se agregó al
análisis ARIMA cada día (promedio móvil de 24
horas). La metodología para el desarrollo de los
modelos ARIMA se basó en la de los estudios de
calidad del aire realizados por Díaz-Robles et al.
(2008), Jian et al. (2012), Zhou et al. (2014) y
Taneja et al. (2016). Aplicamos las fases del
proceso iterativo de Box y Jenkins (1970) para los
modelos ARIMA: identificación, estimación de
parámetros, verificación de supuestos y uso del
modelo; estas fases se desarrollaron utilizando el
software estadístico IBMSPSS (Paquete
estadístico para las ciencias sociales, V. 21.0.0).
La primera fase fue la identificación de un modelo
Box-Jenkins adecuado. En esta fase, también se
determinó la estacionariedad de la serie
temporal. Para obtener una serie temporal
estacionaria, se empleó la transformación de
registro natural y el proceso de diferenciación
hasta que la estacionalidad en los datos se
desvanece. Los términos AR y MA de tiempo
estacionario luego se obtuvieron los datos de la
serie al examinar los patrones de la función de
autocorrelación (ACF) y las funciones de
autocorrelación, que implicaron mucho ensayo y
error. Una vez que se identificaron los modelos
tentativos, la siguiente fase fue la estimación de
parámetros del modelo. Datos atípicos para los
modelos ARIMA desarrollado no fueron
considerados. Esto fue seguido por la fase de
verificación de asunciones para confirmar la
adecuación de los modelos identificados con el fin
de seleccionar el modelo que mejor se ajusta.
Lo apropiado del modelado fue evaluado por
LjungBox estadística. Esto también se conoce
como la estadística modificada Box-Pierce. La
bondad de ajuste de cada modelo se evaluó por el
valor de R cuadrado (el coeficiente de
determinación). La estadística de Ljung-Box
prueba la hipótesis nula de que no queda
autocorrelación significativa en los residuos del
modelo y proporciona una indicación de si el
modelo está especificado correctamente. Un valor
p mayor que 0.05 implica que el modelo está
especificado correctamente para describir la
información de correlación en series de tiempo
(Ljung y Box, 1978). Otro índice utilizado para
identificar el mejor modelo fue el Criterio de
Información Bayesiano (BIC) (Schwarz, 1978). El
modelo óptimo se seleccionó cuando el BIC era el
más bajo. Se realizó un análisis residual después
del modelado para garantizar la normalidad del
residuo y no se encontraron autocorrelaciones ni
autocorrelaciones parciales. Finalmente, se
utilizó el modelo de mejor ajuste para establecer
los valores de previsión de series de tiempo.
La estructura temporal de los modelos ARIMA se prevalente de AS durante el día (6e18 h) fue
analizó con respecto a la variación espacial de ligeramente inestable e inestable (AS entre 4 y
LSC, de acuerdo con las distancias de influencia 5.5; f-24 h ¼ 46.1%). En la noche (18-6 h), la
establecidas para cada estación de monitoreo: 50 condición prevalente de AS fue estable (AS ¼ 1; f-
m, 100 m, 200 m, 400 m, 800 m, y 1600 m. Un 24 h ¼ 45.1%). Montoya et al. (2004) informaron
análisis con el coeficiente de correlación de una tendencia horaria similar para las variaciones
Spearman (rs) para evaluar las relaciones entre diurnas y nocturnas de AS en Bogotá.
los tipos de LSC y las distancias de influencia para
las estaciones de monitoreo con LSC
predominantemente impermeable (S1, S2 y S3).
La distribución no normal de los datos se
determinó con la prueba de Shapiro-Wilk (df = 12,
valores de p <0,002). Este análisis nos permitió
identificar la estación de monitoreo y la distancia
de influencia apropiado para analizar las posibles
diferencias entre los modelos ARIMA
seleccionados. El procedimiento anterior también
se aplicó para las estaciones de monitoreo con
LSC predominantemente con vegetación (S4, S5 y
S6): prueba de Shapiro-Wilk, df ¼ 12, valores de
p <0,021. Finalmente, estudiamos el orden de
magnitud de los términos AR y MA en relación con
el persistencia y variabilidad en el tiempo de las
concentraciones diarias de PM10 (Kumar y De
Ridder, 2010; Hsu et al., 2014), respectivamente.
3. Resultados y discusión
3.1. Estabilidad atmosférica
La Fig. 2 muestra la condición AS promedio por
hora durante el período de muestreo de la escala
cuantitativa utilizada en este estudio. La
condición prevalente AS entre 6 y 18 h (día) fue Además, una prueba de Kruskal-Wallis para las
ligeramente inestable (AS ¼ 4, frecuencia de estaciones S1, S5 y S6 mostró que no hubo
ocurrencia durante 24 h, f-24 h ¼ 19.5%), variaciones horarias significativas en AS (pvalue
inestable (AS ¼ 5; f-24 h ¼ 24.5%), e inestable = 0,827). En otras palabras, hubo un
(AS ¼ 5; f24 h ¼ 22.7%) para las estaciones S1, comportamiento similar en AS para todas las
S5 y S6, respectivamente. En cuanto a la condición estaciones de monitoreo seleccionadas,
prevalente AS entre 18 y 6 h (noche) fue estable sugiriendo que las diferencias entre estaciones en
(AS ¼ 1): 35.0% (f-24 h), 49.2% (f-24 h) y 50.0% términos de los modelos ARIMA desarrollados no
(f-24 h), respectivamente . Dada la ubicación de fueron significativamente influenciadas por AS
las estaciones de monitoreo, consideramos que (para este estudio).
las estaciones S2 y S3 deben estar abarcadas por
La Fig. 3 muestra la variación en el tipo de LSC
los datos de la estación S1, y la estación S4 debe
para las distancias de influencia para cada
cubrirse con los datos de la estación S5 (véase la
estación de monitoreo. Tres estaciones de
Fig. 1). Por lo tanto, para toda el área de estudio,
monitoreo exhibieron LSC predominantemente
los resultados indicaron que la condición
impermeable: S1, S2 y S3. Este tipo de LSC
representaba entre 54.5 y 85.8%, 80.9 y 93.3%, y
86.0 y 92.0% del área cubierta por cada estación
de monitoreo, respectivamente, al usar la
distancia de influencia establecida para cada
estación de monitoreo (entre 50 y 1600 m) . El
orden de precedencia para este LSC en las
estaciones de monitoreo fue S3> S2> S1.
La Fig. 3 muestra la variación en el tipo de LSC
para las distancias de influencia para cada
estación de monitoreo. Tres estaciones de
monitoreo exhibieron LSC predominantemente
impermeable: S1, S2 y S3. Este tipo de LSC
representó entre 54.5 y 85.8%, 80.9 y 93.3%, y
86.0 y 92.0% del área cubierta por cada estación
de monitoreo, respectivamente, al usar la
distancia de influencia establecida para cada
estación de monitoreo (entre 50 y 1600 m). El
orden de precedencia para este LSC en las
estaciones de monitoreo fue S3> S2> S1. Sin
embargo, las otras tres estaciones de monitoreo
exhibieron LSC predominantemente con
vegetación: S4, S5 y S6. Este tipo de LSC
representaba entre 6.4 y 71.8%, 40.1 y 78.4%, y
39.3 y 97.0% del área cubierta por cada estación
de monitoreo, respectivamente (Fig. 3). El orden
de precedencia para este LSC en las estaciones de
monitoreo fue S6> S5> S4. Como se señaló, para el
análisis basado en el modelo ARIMA, hubo tres
estaciones de monitoreo con LSC casi
impermeables (S1, S2 y S3) y tres estaciones con
LSC principalmente con vegetación (S4, S5 y S6).
3.3. Evaluación de la concentración de PM10
Para todas las estaciones de monitoreo, se
observó un aumento en la concentración
promedio de PM10 por hora a las 5 a.m. y se
observó una disminución entre las 11 a.m. y el
mediodía (12:00 h). Los picos en las
concentraciones de PM10 se observaron entre las
8 y 9 a.m. Estos picos en las concentraciones de
PM10 coincidieron con la mayor intensidad de
tráfico en Bogotá, que precede al comienzo de las
actividades laborales estándar. Los resultados, en
promedio, mostraron una tendencia similar en las
concentraciones de PM10 por hora para todas las
estaciones de monitoreo durante el período de
estudio (ver Fig. 4a). El análisis de correlación de
Spearman para todas las estaciones de monitoreo
mostró relaciones positivas que varían de medias
a muy fuertes, las r de Spearman entre 0.471 y
0.886 (ver Tabla 2). Por lo tanto, estos resultados
sugieren un comportamiento uniforme en los
ciclos por hora de emisión de PM10 de los
vehículos de motor y las industrias ubicadas en
toda el área de estudio. Este mismo
comportamiento se observó para la serie
temporal de concentraciones diarias de PM10
generadas en este estudio (promedio móvil de 24
h). Gomiscek et al. (2004) y Bathmanabhan y
Saragur Madanayak (2010) informaron una
tendencia similar en los ciclos horarios de PM10
registrados por estaciones de monitoreo en áreas
urbanas de Austria e India, respectivamente.
En este estudio, los hallazgos también sugieren
que el comportamiento horario de las
concentraciones de PM10 fue influenciado
principalmente por los ciclos de emisión
uniformes de fuentes móviles (vehículos
automotores) y estacionarios (industrias) en las
áreas de estudio, en lugar de estar influenciados
por la condición AS existente en Bogotá (ver Fig.
2). Esto quedó demostrado por el hecho de que la
condición de AS por hora durante el período de
estudio no experimentó variaciones significativas
entre las estaciones de monitoreo seleccionadas
(prueba de Kruskal-Wallis, valor de p ¼ 0,827).
En promedio, la condición AS prevalente durante
el día (6 y 18 h) fue ligeramente inestable e
inestable (frecuencia de ocurrencia durante 12 h,
f12 h = 92.2%), y en la noche (18 y 6 h), la
prevalencia de la condición AS fue estable (EA ¼
1; f-12 h ¼ 90.2%), que indica un
comportamiento similar en AS para todas las
estaciones de monitoreo seleccionadas, lo que
sugiere que, en el contexto de este estudio, las
diferencias entre estaciones en los términos de
los modelos ARIMA no influenciado
principalmente por la condición AS.
En este estudio, los hallazgos también sugieren
que el comportamiento horario de las
concentraciones de PM10 fue influenciado
principalmente por los ciclos de emisión
uniformes de fuentes móviles (vehículos absoluto medio, estadística Ljung-Box Q (18) y
automotores) y estacionarios (industrias) en las valor p, y normalizado Criterio de información
áreas de estudio, en lugar de estar influenciados bayesiano de los modelos ARIMA desarrollado
por la condición AS existente en Bogotá (ver Fig. para PM10. La tabla también presenta la
2). Esto quedó demostrado por el hecho de que la distribución de los tipos de LSC de acuerdo con las
condición de AS por hora durante el período de distancias de influencia seleccionadas para cada
estudio no experimentó variaciones significativas estación de monitoreo. Además, la Tabla 4
entre las estaciones de monitoreo seleccionadas muestra las estimaciones de los parámetros para
(prueba de Kruskal-Wallis, valor de p ¼ 0,827). los términos del modelo ARIMA seleccionados
En promedio, la condición AS prevalente durante para PM10.
el día (6 y 18 h) fue ligeramente inestable e
El análisis de correlación de Spearman entre los
inestable (frecuencia de ocurrencia durante 12 h,
tipos de LSC y las distancias de influencia para las
f12 h = 92.2%), y en la noche (18 y 6 h), la
estaciones de monitoreo con LSC
prevalencia de la condición AS fue estable (EA ¼
predominantemente impermeable (S1, S2 y S3)
1; f-12 h ¼ 90.2%), que indica un
mostró que la estación de monitoreo con mejores
comportamiento similar en AS para todas las
correlaciones en promedio fue S1 (40.7% de
estaciones de monitoreo seleccionadas, lo que
correlaciones significativas, valores p <0.05).
sugiere que, en el contexto de este estudio, las
Además, el análisis de correlación nos permitió
diferencias entre estaciones en los términos de
determinar las distancias de influencia para cada
los modelos ARIMA no influenciado
estación de monitoreo con las mejores y peores
principalmente por la condición AS.
correlaciones en 1600 m (44.4% de correlaciones
Las estaciones de monitoreo en áreas con LSC significativas, valores p <0.05) y 100 m (33.3% de
predominantemente con vegetación registraron correlaciones significativas, p -values <0.05),
concentraciones más bajas de PM10 que las respectivamente.
estaciones en áreas con LSC predominantemente
impermeable (ver Fig. 4a). Como era de esperar,
las áreas de estudio con LSC más vegetada se
relacionaron con una menor intensidad de tráfico
y actividad industrial, lo que probablemente
redujo las concentraciones diarias de PM10
(reducción diaria promedio ¼ 42,7%). Sun et al.
(2016) informaron una tendencia similar en las
concentraciones de PM10 a partir de un análisis
del uso de la tierra y la cobertura de la superficie
con espectrorradiómetro de imágenes de
resolución moderada (MODIS) en las zonas
urbanas de China.
La Tabla 3 muestra los términos (AR, I y MA),
constante del modelo, tipo de transformación, R2,
error de raíz cuadrática media, error porcentual
 (AR) de los modelos ARIMA probablemente
sugieren que estas diferencias se asociaron con el
Estos resultados sugieren que a medida que
tipo LSC. Para reducir el LSC impermeable
aumentan las distancias de la estación de
alrededor de una estación de monitoreo, se
monitoreo, la distribución del LSC impermeable
sugirió un aumento en el término AR del modelo
se acerca más a la uniformidad entre las
ARIMA (Tabla 3). Un LSC menos impermeable
estaciones de monitoreo (ver Fig. 3). Elegimos S1
alrededor de una estación de monitoreo
como estación de referencia para comparar con
significaba que las concentraciones de PM10 de
los modelos ARIMA desarrollados para LSC
días anteriores tuvieron un efecto mayor. En este
impermeable, y elegimos 100 m como la distancia
estudio, el efecto o la persistencia de las
de influencia para analizar las posibles
concentraciones de PM10 fue de 2 días o 48 horas
diferencias entre los modelos ARIMA. Los
(estación S1, término AR ¼ 2). Se observó una
resultados mostraron una diferencia entre las
mayor persistencia de la contaminación por
estaciones de monitoreo para la distribución de
PM10 en áreas urbanas con LSC menos
LSC impermeable: 54.5% en S1, 93.0% en S2 y
impermeable (techos, aceras y senderos) y LSC
91.2% en S3 (distancia de influencia ¼ 100 m).
con mayor vegetación (árboles y pastizales). Díaz
Los resultados para el término autorregresivo
Robles et al. (2008) y Taneja et al. (2016)
informaron que los modelos ARIMA de orden 1 y
2 en el término AR simularon concentraciones
diarias de PM en Temuco (Chile) y Nueva Delhi
(India), respectivamente.
Estos resultados sugieren que a medida que
aumentan las distancias de la estación de
monitoreo, la distribución del LSC impermeable
se acerca más a la uniformidad entre las
estaciones de monitoreo (ver Fig. 3). Elegimos S1
como estación de referencia para comparar con
los modelos ARIMA desarrollados para LSC
impermeable, y elegimos 100 m como la distancia
de influencia para analizar las posibles
diferencias entre los modelos ARIMA. Los
resultados mostraron una diferencia entre las
estaciones de monitoreo para la distribución de
LSC impermeable: 54.5% en S1, 93.0% en S2 y
91.2% en S3 (distancia de influencia ¼ 100 m).
Los resultados para el término autorregresivo
(AR) de los modelos ARIMA probablemente
sugieren que estas diferencias se asociaron con el
tipo LSC. Para reducir el LSC impermeable
alrededor de una estación de monitoreo, se
sugirió un aumento en el término AR del modelo
ARIMA (Tabla 3). Un LSC menos impermeable
alrededor de una estación de monitoreo
significaba que las concentraciones de PM10 de
días anteriores tuvieron un efecto mayor. En este
estudio, el efecto o la persistencia de las
concentraciones de PM10 fue de 2 días o 48 horas
(estación S1, término AR ¼ 2). Se observó una
mayor persistencia de la contaminación por
PM10 en áreas urbanas con LSC menos
impermeable (techos, aceras y senderos) y LSC
con mayor vegetación (árboles y pastizales). Díaz
Robles et al. (2008) y Taneja et al. (2016)
informaron que los modelos ARIMA de orden 1 y
2 en el término AR simularon concentraciones
diarias de PM en Temuco (Chile) y Nueva Delhi
(India), respectivamente.
El análisis de correlación de Spearman entre los
tipos de LSC y las distancias de influencia para las
estaciones de monitoreo con LSC
predominantemente impermeable (S1, S2 y S3)
mostró que la estación de monitoreo con mejores
correlaciones en promedio fue S1 (40.7% de
correlaciones significativas, valores p <0.05).
Además, el análisis de correlación nos permitió
determinar las distancias de influencia para cada
estación de monitoreo con las mejores y peores
correlaciones en 1600 m (44.4% de correlaciones
significativas, valores p <0.05) y 100 m (33.3% de
correlaciones significativas, p -values <0.05),
respectivamente.
El análisis de correlación de Spearman para el
monitoreo de LSC predominantemente con
vegetación (S4, S5 y S6) mostró que la estación de
monitoreo con las mejores correlaciones fue, en
promedio, S4 (37.0% de correlaciones
significativas, valores de p <0.05). Además, este
análisis nos permitió observar las mejores y
peores correlaciones para las distancias de
influencia de cada estación de monitoreo: 800 m
(38.9% de correlaciones significativas, valores de
p <0.05) y 50 m (9.30% de correlaciones
significativas, valores p <0.05 ), respectivamente.
La estación de referencia seleccionada para
comparar los modelos ARIMA desarrollados para
LSC vegetada fue S4, y la distancia de influencia
seleccionada para analizar las posibles
diferencias entre los modelos ARIMA fue de 50 m
(Tabla 3).
 en el término AR del modelo ARIMA desarrollado
(Tabla 3). Se observó que una LSC más vegetada
alrededor de una estación de monitoreo resultó
en un mayor efecto ejercido por las
concentraciones de PM10 de los días previos. En
este estudio, el efecto o la persistencia de las
concentraciones de PM10 fue de 2 días o 48 h
(estación S6, término AR ¼ 2), y los resultados
sugieren nuevamente una mayor persistencia en
la contaminación PM10 para las áreas urbanas
con LSC más vegetada y LSC menos impermeable.
Estos hallazgos fueron consistentes con los
descritos anteriormente para las estaciones de
monitoreo LSC predominantemente
impermeables (S1, S2 y S3).
El término promedio móvil (MA) de los modelos
ARIMA demostró una diferencia que
probablemente se asoció con LSC vegetada. Los
resultados indican que las estaciones de
monitoreo con LSC predominantemente con
Al observar la distribución de LSC con vegetación,
vegetación (S4, S5 y S6) registraron un orden de
los resultados mostraron una diferencia para las
magnitud mayor en el término MA (ver Tabla 3).
estaciones de monitoreo: 6.4% en S4, 40.1% en S5
Una LSC más vegetada alrededor de una estación
y 88.0% en S6 (distancia de influencia: 50 m). El
de monitoreo significó un mayor efecto ejercido
término AR de los modelos ARIMA sugiere una
por las variaciones de PM10 de días anteriores. En
diferencia probablemente asociada con LSC
este estudio, el efecto se transmitió de 2 a 3 días
vegetada. Aumentar el LSC vegetado alrededor de
inmediatamente antes de la medición (término
una estación de monitoreo llevaría a un aumento
MA entre 2 y 3). En consecuencia, los resultados
apuntan a las áreas de LSC predominantemente
con vegetación como las que muestran una mayor
variabilidad en las concentraciones de PM10.
Además, estos resultados sugieren que en las
áreas urbanas con LSC predominantemente
impermeable (S1, S2 y S3), las fuentes de
contaminantes atmosféricos probablemente
tuvieron una tendencia más uniforme en los ciclos
de emisión, como lo demuestra la menor
variabilidad en las concentraciones de PM10 (MA
entre 0 y 2) que las áreas urbanas con LSC
predominantemente con vegetación (S4, S5 y S6).
Sobre este tema, la Fig. 4b muestra los valores
medidos y simulados (promedio móvil de 24 h) de
un día seleccionado al azar (fecha: 12/04/2009)
Finalmente, los hallazgos de esta investigación
sirven como un punto de referencia desde el cual
los investigadores pueden expandir el
conocimiento sobre la aplicación e interpretación
de los modelos ARIMA en los estudios de PM10,
específicamente para el desarrollo e
implementación de estrategias diferenciadas para
el control de la contaminación atmosférica . Sin
embargo, las siguientes limitaciones forman parte
de este estudio y requieren mayor atención.
Primero, el número de años para la serie temporal
PM10 (6 años) no es más largo debido a los
cambios LSC en las áreas cubiertas por las
estaciones de monitoreo; para el análisis ARIMA,
se requiere la misma distribución de LSC durante
todo el período de estudio. Segundo, las
estaciones de monitoreo no tienen características
similares con respecto a la distancia de ubicación
y la intensidad de emisión de las fuentes de PM10
(carreteras e industrias). En tercer lugar, AS para
toda el área de investigación se evalúa utilizando
datos de tres estaciones de monitoreo de un total
de seis estaciones de monitoreo utilizadas en este
estudio.