Contaminación y tráfico 2020 (confinamiento) comparado con 2017

Evolución Contaminación y tráfico 2020 (confinamiento) comparado con 2017 en las mismas fechas

Introducción:

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

Se va a realizar un estudio de la evolución del tráfico y la contaminación en Valencia con y sin el Coronavirus en las mismas fechas difiriendo en el año únicamente.

Se dispone de los siguientes datos de tráfico:

  • Datos de tráfico según diferentes tramos de Valencia desde 02/05/2017 hasta el 16/05/2017 (Periodo sin confinamiento)
  • Datos de tráfico según diferentes tramos de Valencia desde 28/04/2020 hasta el 12/05/2020 (Periodo con confinamiento)

Como se puede observar, las fechas parece que no coinciden, pero sí que coinciden, ya que ambas comienzan en martes y terminan 2 semanas después. Tal y como se puede observar a continuación ambos datos recogen días no laborales y laborales.

Figura 1.

1. Análisis y evolución del tráfico y la contaminación

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

-1.1 Tráfico medio durante 15 días.

Primero de todo, se realizará un pequeño análisis, a grosso modo, para observar cómo evoluciona el tráfico en los 15 días que se han seleccionado, comparando 2017 con 2020. En este caso, se mostrará un gráfico de líneas en el que el eje X representa el eje temporal (días) y, el eje Y, el número de coches promedio que pasa por un tramo en Valencia al día.

Evolución tráfico general en Valencia en 2017 y 2020.

Como era de esperar, el volúmen de tráfico durante el confinamiento disminuye una gran cantidad respecto al mismo período en 2017 sin confinamiento.

A continuación, se analizará la tendencia de los niveles de contaminantes en los dos periodos. De esta forma, se podrá ver de forma muy precaria alguna relación entre el tráfico y los niveles de los agentes contaminantes si es que existen.

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

-1.2 Niveles de Contaminación de agentes contaminantes:

Aclaración: todas la mediciones provienen de la estación de contaminación de Pista de Silla.

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

-1.2.1 NO2 (Dióxido de Nitrógeno)

El NO2 es un agente contaminante que se produce cuando se junta el Oxígeno y el Nitrógeno a altas temperaturas. Este proceso se puede dar en motores de combustión interna, tormentas de rayos, lluvias ácidas, centrales de carbón, etc… Este contaminante puede producir irritación en los pulmones y, como consecuencia de esto, disminuir la resistencia a infecciones respiratorias.

Cuanto mayor sean los niveles de NO2 peor para la salud humana.

A continuación, se mostrarán los valores de NO2 durante el periodo de tiempo descrito arriba, tanto de 2017 como de 2020:

«Los valores del no2 en 2017 son un 253% mayores que los valores de 2020»

Evolución niveles de NO2 en Valencia en 2017 y 2020.

Como se puede observar en la gráfica de arriba, los niveles de contaminación medio de NO2 en 2017 son 3.5 los valores de NO2 en 2020. Sigue una tendencia similar en los dos años, sin embargo, en 2017 existen valores más extremos. En concreto, en el último martes, se observa un pico más pronunciado.

-1.2.2 PM10 (Partículas en suspensión inferiores o iguales a 10 micras por metro cúbico)

El PM10 es un medidor de contaminación, en concreto determina el número de partículas en suspensión con tamaño inferior o igual a 10 micras que se encuentran en el ambiente. Éstas no suponen un gran problema para la salud siempre que sean más grandes que 2.5 micras ya que el cuerpo las puede expulsar a través de los mocos o bien, no llegan al árbol respiratorio. Estas partículas son creadas, principalmente en procesos de combustión.

Cuanto mayor sean los niveles de PM10, peor para la salud humana.

A continuación, se mostrarán los valores de PM10 durante el periodo de tiempo descrito arriba, tanto de 2017 como de 2020:

«Los valores del pm10 en 2017 son un 188% mayores que los valores de 2020»

Evolución niveles de PM10 en Valencia en 2017 y 2020.

Como se puede observar en la gráfica de arriba, los niveles medios de PM10 en 2017 son 2.8 los valores de PM10 en 2020. En este caso, las tendencias del PM10 no varían mucho, se puede ver cómo, en 2020, los niveles de PM10 casi no varían y se mantienen en valores razonables. Sin embargo, los valores de PM10 en 2017 son más altos de media y además hay ciertos valores extremos en el primer Sábado, el segundo Jueves y el segundo viernes que son muy elevados.

-1.2.3 PM2.5 (Partículas en suspensión inferiores o iguales a 2.5 micras por metro cúbico)

El PM2.5 es un medidor de contaminación, en concreto determina el número de partículas en suspensión con tamaño inferior o igual a 2.5 micras que se encuentran en el ambiente. Estas suponen un gran problema ya que el cuerpo no las puede expulsar con facilidad y llegan al árbol respiratorio provocando así enfermedades respiratorias, alergias, etc… Estas partículas son creadas, principalmente, en procesos de combustión.

Cuanto mayor sean los niveles de PM2.5, peor para la salud humana.

A continuación, se mostrarán los valores de PM2.5 durante el periodo de tiempo descrito arriba, tanto de 2017 como de 2020:

«Los valores del pm25 en 2017 son un 20% mayores que los valores de 2020»

Evolución niveles de PM2.5 en Valencia en 2017 y 2020.

Como se puede observar en la gráfica de arriba, los niveles medios de PM2.5 en 2017 son 1.2 los valores de PM10 en 2020. En este caso, las tendencias del PM2.5 varían bastante, se puede ver cómo en 2020, los niveles de PM2.5 se mantienen bajos entre semana y aumentan una vez comienza el fin de semana. Se puede observar como los niveles de PM2.5 sufren una cantidad de variaciones en ambos años. Tampoco hay grandes diferencias en ambos años, son bastante parecidos.

-1.2.4 SO2 (Dióxido de Azufre)

El SO2 es un gas incoloro e irritante contaminante del aire. Este se produce por la combustión de combustibles poco refinados, en los cuales hay una alta presencia de azufre. Por tanto, los vehículos de hoy en día que utilizan combustibles refinados no son causantes de un efecto considerable en los niveles de SO2.

Cuanto mayor sean los niveles de SO2, peor para la salud humana.

A continuación, se mostrarán los valores de SO2 durante el periodo de tiempo descrito arriba, tanto de 2017 como de 2020:

«Los valores del so2 en 2017 son un 1% mayores que los valores de 2020»

Evolución niveles de SO2 en Valencia en 2017 y 2020.

En este caso se ve que el año 2017 tiene picos más elevados de SO2, pero ambos tienen la misma media aprox. Por tanto, no hay grandes diferencias entre los niveles de SO2 de 2017 y 2020.

-1.2.5 O3 (Ozono)

El Ozono es un gas incoloro que está presente en el aire y que puede ser perjudicial si su concentración es alta y se mantiene en el tiempo. Provoca enfermedades respiratorias.

Cuanto mayor sean los niveles de O3 peor para la salud humana. Pero hay que recalcar que concentraciones bajas de este gas no producen ningún efecto sobre la salud.

A continuación, se mostrarán los valores de O3 durante el periodo de tiempo descrito arriba, tanto de 2017 como de 2020:

«Los valores del o3 en 2017 son un 16% menor que los valores de 2020»

Evolución niveles de O3 en Valencia en 2017 y 2020.

En este caso se ve que 2020 tiene picos más altos de niveles de O3, además de que los niveles medios de O3 en 2020 son mayores que los niveles medios en 2017. Esto puede deberse a que, últimamente se está comercializando el uso de 03 para desinfectar objetos,en concreto, para eliminar copias del Coronavirus presentes en objetos.

2 Relación tráfico – contaminación

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

Realizando una pequeña investigación sobre qué factores son causantes de la contaminación en la ciudad, se obtiene que la mayoría de las fuentes sitúan a los vehículos de combustión interna como los principales causantes de la contaminación. También, la mayoría de las fuentes inciden en la importancia del viento a la hora de disminuir los niveles de contaminación ya que, a mayor velocidad del viento, el aire contaminado se renueva con mayor facilidad, y las partículas contaminantes se dispersan más reduciendo así su efecto nocivo. Por todo esto, se ha decidido estudiar la relación entre el tráfico y la contaminación teniendo en cuenta el viento.

Primero, se realizará un gráfico de correlación para ver si existen relaciones lineales

-2.1 Correlación tráfico diario, viento y nivel de agentes contaminantes del año 2020

Gráfico de correlaciones entre tráfico, viento y agentes contaminantes

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

Como se puede observar, el tráfico tiene un correlación positiva con los contaminantes no2 y so2, lo que podría indicar que a mayor número de vehículos de combustión interna, mayor serán los niveles de los contaminantes no2 y so2. También se puede ver que hay muy poca correlación entre tráfico, pm10, pm25 y o3 por lo que podría indicar que estos contaminantes no guardan relación alguna con el tráfico.

También cabe destacar el papel del viento con todos los contaminantes. En este caso, todas las correlaciones son negativas, lo que podría indicar que, a mayor viento, menores son los niveles de contaminación.

Por último, hay que destacar que los medidores PM10 y PM2.5 tienen una correlación positiva grande, lo que en este caso es obvio ya que ambos miden partículas en suspensión con características comunes.

2.2 Modelo de regresión simple

Con el fin de determinar si existe alguna relación entre las variables de contaminación y el tráfico se tratará de ajustar un modelo de regresión a los datos, en el que la variable dependiente será un agente contaminante y las variables independientes serán el tráfico y el viento.

2.2.1 Datos de entrada

En este caso, los niveles de contaminantes han sido tomados en la estación de contaminación de Pista de Silla y los valores de tráfico pertenecen a la media de los dos tramos más próximos a esta estación. Una vez cruzados los datos, se obtiene el siguiente dataset (se muestran las 6 primeras filas únicamente)

head(generarDatos(«2020»))

## trafico no2 pm10 pm25 so2 o3 viento
## 1 358 3.95 4.95 4.27 4.00 66.86 3.3
## 2 354 9.27 4.82 2.86 4.14 65.32 3.1
## 3 356 4.20 4.82 1.91 3.82 63.82 3.1
## 4 87 2.50 4.41 1.95 4.05 55.68 3.3
## 5 136 4.83 3.09 1.05 4.23 48.73 2.5
## 6 92 10.58 4.59 2.86 4.05 55.68 1.4

Los datos están por día, por tanto, cada fila del dataset corresponde con un día. Ejemplo: La fila uno indica que en ese día han pasado 358 coches de media por los dos tramos cercanos a la estación de Contaminación de Pista de Silla, que la velocidad del viento media ha sido de 3.3 m/s (11.88 km/h) y luego, las columnas de los contaminantes, indican los valores medios de esos contaminantes en microgramos / metro cúbico.

2.2.2 Modelo

El modelo tratará de predecir los niveles de los agentes contaminantes a través de el viento y el tráfico:

y = x0 + x1 + x2

  • Nivel Agente Contaminante = intercepto + coches/día + viento medio

2.2.2.1 NO2

«Modelo de regresión de 2017 para no2»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 50.141935 9.872786 5.079 0.000271 ***
## viento -10.926847 2.604092 -4.196 0.001241 **
## trafico 0.001598 0.003441 0.464 0.650667
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 8.994 on 12 degrees of freedom
## Multiple R-squared: 0.5973, Adjusted R-squared: 0.5302
## F-statistic: 8.899 on 2 and 12 DF, p-value: 0.004265

«Modelo de regresión de 2020 para no2»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 14.275114 3.362760 4.245 0.00114 **
## viento -3.315617 0.896657 -3.698 0.00305 **
## trafico 0.006595 0.007389 0.893 0.38967
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 3.891 on 12 degrees of freedom
## Multiple R-squared: 0.5803, Adjusted R-squared: 0.5103
## F-statistic: 8.295 on 2 and 12 DF, p-value: 0.005468

Gracias a las gráficas y al resumen estadístico es posible determinar que ambos modelos, tanto el de 2020 como el de 2017 son significativos puesto que sus P-valores son menores que 0.05. Además, también se puede observar cómo en ambos modelos la única variable significativa es el viento. Lo que indica que la única variable que guarda relación con los niveles de NO2 es el viento. Además, debido a el valor negativo de su estimador x1 = -3.31, se puede inferir que, a mayor velocidad media del viento, menor serán los niveles de este contaminante.

2.2.2.2 PM10

«Modelo de regresión de 2017 para pm10»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.583639 11.015327 0.235 0.8185
## viento 7.063502 2.905454 2.431 0.0317 *
## trafico -0.001051 0.003839 -0.274 0.7889
## —
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 10.03 on 12 degrees of freedom
## Multiple R-squared: 0.3323, Adjusted R-squared: 0.221
## F-statistic: 2.986 on 2 and 12 DF, p-value: 0.08861

«Modelo de regresión de 2020 para pm10»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.637333 1.614814 4.730 0.000489 ***
## viento -0.813163 0.430579 -1.889 0.083361 .
## trafico -0.003312 0.003548 -0.933 0.369072
## —
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 1.868 on 12 degrees of freedom
## Multiple R-squared: 0.2437, Adjusted R-squared: 0.1177
## F-statistic: 1.934 on 2 and 12 DF, p-value: 0.1871

Gracias a las gráficas y al resumen estadístico es posible determinar que ambos modelos, tanto el de 2020 como el de 2017 no son significativos puesto que sus P-valores son mayores que 0.05. Además, también se puede observar que los modelos se ajustan bastante mal a los datos R-cuadrados-ajustados(0.08,0.1). Esto no implica que los valores del contaminante PM10 no dependan del viento ni del tráfico, únicamente que no guardan una relación lineal.

2.2.2.3 PM2.5

«Modelo de regresión de 2017 para pm25»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7.134e+00 2.287e+00 3.120 0.00886 **
## viento -9.983e-01 6.032e-01 -1.655 0.12384
## trafico 3.565e-05 7.971e-04 0.045 0.96507
## —
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 2.083 on 12 degrees of freedom
## Multiple R-squared: 0.1912, Adjusted R-squared: 0.05645
## F-statistic: 1.419 on 2 and 12 DF, p-value: 0.2798

«Modelo de regresión de 2020 para pm25»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.767038 2.056355 2.804 0.0159 *
## viento -0.660037 0.548313 -1.204 0.2519
## trafico -0.000115 0.004518 -0.025 0.9801
## —
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 2.379 on 12 degrees of freedom
## Multiple R-squared: 0.1113, Adjusted R-squared: -0.03679
## F-statistic: 0.7516 on 2 and 12 DF, p-value: 0.4926

Gracias a las gráficas y al resumen estadístico es posible determinar que ambos modelos, tanto el de 2020 como el de 2017 no son significativos puesto que sus P-valores son mayores que 0.05. Además, también se puede observar que los modelos se ajustan bastante mal a los datos R-cuadrados-ajustados(0.05,-0.03). Esto no implica que los valores del contaminante PM2.5 no dependan del viento ni del tráfico, únicamente que no guardan una relación lineal. Hay que destacar que los medidores PM10 y PM2.5 guardan una relación estrecha puesto que cuantifican partículas en suspensión similares, es por ello, que es razonable que obtengamos las mismas conclusiones sobre su relación con el tráfico y con el viento.

2.2.2.4 SO2

«Modelo de regresión de 2017 para so2»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.3941885 2.5929430 1.309 0.215
## viento -0.5507347 0.6839268 -0.805 0.436
## trafico 0.0008194 0.0009038 0.907 0.382

## Residual standard error: 2.362 on 12 degrees of freedom
## Multiple R-squared: 0.09193, Adjusted R-squared: -0.05942
## F-statistic: 0.6074 on 2 and 12 DF, p-value: 0.5607

«Modelo de regresión de 2020 para so2»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.587366 0.631690 7.262 9.98e-06 ***
## viento -0.222977 0.168436 -1.324 0.210
## trafico 0.001091 0.001388 0.786 0.447
## —
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 0.7309 on 12 degrees of freedom
## Multiple R-squared: 0.1966, Adjusted R-squared: 0.06271
## F-statistic: 1.468 on 2 and 12 DF, p-value: 0.2689

Gracias a las gráficas y al resumen estadístico es posible determinar que ambos modelos, tanto el de 2020 como el de 2017 no son significativos puesto que sus P-valores son mayores que 0.05. Además, también se puede observar que los modelos se ajustan bastante mal a los datos R-cuadrados-ajustados(-0.05,0.06). Esto no implica que los valores del contaminante SO2 no dependan del viento ni del tráfico, únicamente que no guardan una relación lineal.

2.2.2.5 O3

«Modelo de regresión de 2017 para o3»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 38.8137173 10.0067162 3.879 0.00219 **
## viento 8.5880172 2.6394183 3.254 0.00691 **
## trafico -0.0007261 0.0034879 -0.208 0.83859
## —
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 9.116 on 12 degrees of freedom
## Multiple R-squared: 0.4744, Adjusted R-squared: 0.3868
## F-statistic: 5.416 on 2 and 12 DF, p-value: 0.02108
Contaminación y tráfico 2020 (confinamiento) comparado con 2017

«Modelo de regresión de 2020 para o3»
## lm(formula = contaminante ~ viento + trafico)
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 82.20741 18.14516 4.531 0.000689 ***
## viento -4.53980 4.83828 -0.938 0.366589
## trafico -0.02664 0.03987 -0.668 0.516635
## —
## Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ‘ 1

## Residual standard error: 20.99 on 12 degrees of freedom
## Multiple R-squared: 0.08485, Adjusted R-squared: -0.06768
## F-statistic: 0.5563 on 2 and 12 DF, p-value: 0.5874

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

Gracias a las gráficas y al resumen estadístico es posible determinar únicamente el modelo de 2017 es significativo puesto que su P-valores no es mayor que 0.05. Aún así, ambos modelos se ajustan bastante mal a los datos R-cuadrados-ajustados(0.3, -0.06). En el caso de 2020, el valor de O3 guarda una única relación lineal con el tráfico, puesto que el valor del su parámetro es menor que 0.05. Además, gracias a su estimador, que tiene signo positivo, se obtiene que, a mayor velocidad media del viento, mayor cantidad de O3. Esto podría tener sentido, en el caso de que el viento fuese de poniente y tuviese una temperatura elevada, ya que estas condiciones favorecen la creación de O3. En el Anexo han sido adjuntadas dos noticias que hablan del tiempo caluroso y el viento de poniente en la Comunidad Valenciana en 2017, que podría explicar la causa de que el viento sea significativo en 2017. – Noticia Poniente CV INotica Poniente CV II

2.3 Partial Least Squares (PLS)

Tal y como se ha observado anteriormente, el no2 tiene una correlación positiva, aunque no muy directa, con el tráfico. A continuación se van a estudiar qué factores pueden llegar a influir en la formación de dicho componente químico mediante una técnica llamada PLS, en inglés, Partial Least Squares.

Esta técnica es una mezcla entre regresión múltiple y PCA. Hay que tener en cuenta que si existe multicolinealidad, la regresión puede que no se realice de forma correcta y no aparezcan los resultados deseados. Sin embargo, el PLS utiliza previamente el PCA para observar qué variables son las que más influyen en la creación de las variables que se están estudiando y cada una de las componentes es ortogonal a la siguiente que más influye y así sucesivamente. Por eso razón, gracias a que las componentes son linealmente independientes entre sí, la regresión se podrá llevar a cabo sin ningún problema.

En este caso se puede observar que al aplicar el modelo, el R2 va aumentando, aunque no mucho, a lo largo de las componentes que se han obtenido. Sin embargo, con el Q2 ocurre lo contrario, va disminuyendo a partir de la segunda componente.

Una técnica que se usa mucho para obtener qué variables influyen más en la variable que se está prediciendo, se usa la técnica VIP, es decir, la influencia de la variable Xi en la proyección.

En este caso se puede observar como el o3 y el viento son los componentes que más influyen en el componente del No2 debido a que el VIP es mayor que 1.

## trafico pm10 pm25 so2 o3 viento
## 0.6400664 1.1591929 1.1038898 0.8369390 0.6354506 1.3869931

A continuación se visualiza el gráfico de los pesos tanto en el espacio X como en el espacio Y para ver cómo se distribuyen cada uno de los regresores además de la variable que se está prediciendo, el no2.

Este gráfico está muy relacionado con el gráfico VIP mostrado anteriormente. Por ejemplo, observando las posiciones de la variable Y (No2) y la posición viento se puede decir que, a mayor viento, menor no2 existirá debido a que la relación es inversa.

Finalmente, se adjunta un gráfico que permite visualizar cómo es la relación interna entre los scores del espacio X (t) y los scores del espacio Y (u).

Se puede observar que en la primera componente o dimensión, la relación interna entre ambos scores es lineal, por lo tanto, no sería necesario aplicar ninguna transformación no lineal al modelo. No obstante, en la segunda componente, la relación no es tan clara como en el caso anterior.

3 Conclusiones

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

3.1 Evolución tráfico y contaminación comparando 2017 con 2020

Por todo lo comentado anteriormente (Apartado 1), se puede afirmar que el tráfico y la contaminación en general ha disminuido notablemente comparando el periodo de 2017 con el de 2020 (con confinamiento). Hay que recalcar que el estudio de la evolución del tráfico y la contaminación se ha realizado de forma diaria. Esto supone que los datos están agregados y se pierde información a costa de generalizar (obtener la media de las horas). También, hay que destacar que algunos agentes contaminantes como el O3 y el SO2 han sufrido poca variación entre años. En especial, el O3, ha aumentado de 2017 a 2020, probablemente por la utilización en masa en la actualidad para desinfectar objetos.

3.2 Relación tráfico y contaminación

Por todo lo comentado anteriormente (Apartado 2), se puede afirmar que el tráfico y la contaminación no guardan una relación lineal significativa ya que, en los modelos que se han obtenido, el parámetro tráfico no era nunca significativo. Hay que recalcar que, en el caso de los agentes contaminantes NO2 y PM10, el p-valor los parámetros correspondientes al tráfico son 0.39 y 0.38 respectivamente. A pesar de que se encuentran lejos de 0.05 para ser significativos, son los p-valores más altos de todos los modelos de agentes contaminantes lo que indica que los contaminantes NO2 y PM10 son los que mayor relación lineal guardan con el tráfico.

También, hay que destacar la significación que tiene el viento en distintos modelos lineales, como el del NO2, PM10 o el O3, en todos ellos, con una nivel de confianza mayor del 90%. Lo que indica que el viento guarda una relación lineal con estos agentes contaminantes.

Por último, mencionar la relación interna que guardan entre sí ciertos contaminantes, como el SO2.

3.3 Conclusiones generales

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

Como se ha visto anteriormente, ninguno de los modelos ha sido capaz de ajustarse correctamente a los datos ya que sus R cuadrados ajustados son relativamente bajos. Lo que es una posible indicación de que la contaminación depende de más variables que el tráfico o el viento, como podría ser la temperatura, el tráfico acumulado y/o el tipo de vehículos que transitan (camiones, motos, etc…). Por todo esto, no es posible obtener un modelo sea capaz de estimar los agentes contaminantes de forma muy aproximada, utilizando únicamente el tráfico diario y el promedio de la velocidad del viento. Son necesarias más variables explicativas.

También hay que destacar que únicamente se ha estudiado las relaciones lineales, por lo que es posible que exista otro tipo de relación que no sea lineal entre el tráfico y la contaminación.

Y, por último, hay que tener en cuenta, que los datos de tráfico proceden de sensores de tipo espiras electromagnéticas, estos son los sensores más baratos que existen para medir el tráfico pero también los más inexactos, además de que todo el proceso de enviar datos del sensor a el servidor central puede fallar, por ello, lo datos de tráfico no son una fuente muy fiable de información para realizar modelos ni análisis.

Bibliografía:

Contaminación y tráfico 2020 (confinamiento) comparado con 2017

1 comentario en “Contaminación y tráfico 2020 (confinamiento) comparado con 2017”

  1. Quiero agradecer, esta información aporta valor a nosotros
    como lectores. Había leído otros blogs al respecto y acepto que este articulo explica mejor el tema.
    agradezco mucho por la información.

Deja un comentario

Tu dirección de correo electrónico no será publicada.