Desarrollo de modelos predictivos para la concentración de material particulado fino en atmósferas urbanas
Tesis (Doctorado en Ciencias de Ia Ingeniería)-Universidad Nacional de Córdoba - Facultadad de Ciencias Exactas Físicas y Naturales
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | doctoralThesis |
| Language: | spa |
| Published: |
2025
|
| Subjects: | |
| Online Access: | http://hdl.handle.net/11086/555700 |
| _version_ | 1832866540670681088 |
|---|---|
| author | Rodríguez Nuñez, Martín |
| author2 | Carreras, Hebe |
| author_facet | Carreras, Hebe Rodríguez Nuñez, Martín |
| author_sort | Rodríguez Nuñez, Martín |
| collection | Repositorio Digital Universitario |
| description | Tesis (Doctorado en Ciencias de Ia Ingeniería)-Universidad Nacional de Córdoba - Facultadad de Ciencias Exactas Físicas y Naturales |
| format | doctoralThesis |
| id | rdu-unc.555700 |
| institution | Universidad Nacional de Cordoba |
| language | spa |
| publishDate | 2025 |
| record_format | dspace |
| spelling | rdu-unc.5557002025-05-20T05:10:22Z Desarrollo de modelos predictivos para la concentración de material particulado fino en atmósferas urbanas Rodríguez Nuñez, Martín Carreras, Hebe Puliafito, Salvador Enrique Amarillo, Ana Carolina TECHNOLOGY::Other technology::Environmental engineering contaminación atmosférica monitoreo de calidad del aire variables derivadas a partir de información satelital sensores de bajo costo aprendizaje automático aprendizaje profundo Tesis (Doctorado en Ciencias de Ia Ingeniería)-Universidad Nacional de Córdoba - Facultadad de Ciencias Exactas Físicas y Naturales Fil: Rodríguez Nuñez, Martín. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina. La Organización Mundial de la Salud (OMS) estima que nueve de cada diez personas respiran aire con altos niveles de contaminantes, lo que provoca la muerte de siete millones de personas cada año en todo el mundo. Entre estos contaminantes, el material particulado fino (PM2.5), con un diámetro igual o inferior a 2.5 micrómetros, es particularmente nocivo por su capacidad para penetrar la barrera pulmonar y acceder al torrente sanguíneo. En países en vías de desarrollo, el monitoreo de la concentración de PM2.5 mediante estaciones de referencia está limitado por sus elevados costos de adquisición y mantenimiento, lo que subraya la necesidad de métodos alternativos para monitorear la calidad del aire. Esta tesis aborda el desarrollo de un sistema de alerta de bajo costo ante condiciones adversas de calidad del aire, evaluando la capacidad predictiva de variables derivadas de información satelital de público acceso y algoritmos de aprendizaje computacional para pronosticar concentraciones de PM2.5 en el área metropolitana de la provincia de Córdoba, Argentina. Además, se busca describir la variación espacio-temporal de este contaminante y analizar la contribución de variables derivadas de información satelital en sus patrones de variación. Para ello, se diseñaron sistemas de medición basados en sensores de bajo costo, se validaron contra una estación de referencia, y se recopilaron series temporales horarias durante un año en diez sitios con distintos usos de suelo. Además, se descargaron datos de 164 variables climáticas de la plataforma ERA5 y de los satélites MODIS, MERRA-2 y VIIRS. Se ajustaron diversos algoritmos de aprendizaje computacional, empleando distintas versiones de la base de datos reducidas mediante métodos de selección de características (featurewiz y Boruta). Los sensores demostraron alta consistencia en sus mediciones. Se observó que las condiciones adversas de calidad del aire ocurrieron principalmente durante la noche y las primeras horas de la mañana en invierno. Aunque los niveles promedio de PM2.5 en Córdoba fueron menores en comparación con otras ciudades, se registraron aumentos estacionales significativos. Los modelos redictivos presentaron errores de 3.44, 2.60 y 6.17 μg m3 para los usos de suelo urbano, agrícola/área verde e industrial, respectivamente. En áreas agrícolas/verdes, los bosques aleatorios fueron los más precisos, mientras que las redes neuronales recurrentes destacaron en entornos urbanos e industriales. Las predicciones a cinco días tuvieron errores inferiores al 23% en todos los casos. Estos resultados indican que la integración de datos de concentración de PM2.5 provenientes de sistemas basados en sensores de bajo costo, datos satelitales de acceso público con algoritmos de aprendizaje automático/profundo constituye una herramienta valiosa para predecir la calidad del aire. Fil: Rodríguez Nuñez, Martín. Universidad Nacional de Córdoba. Facultad de Ciencias Exactas, Físicas y Naturales; Argentina. 2025-05-14T13:33:39Z 2025-05-14T13:33:39Z 2025-05-14 doctoralThesis http://hdl.handle.net/11086/555700 spa Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| spellingShingle | TECHNOLOGY::Other technology::Environmental engineering contaminación atmosférica monitoreo de calidad del aire variables derivadas a partir de información satelital sensores de bajo costo aprendizaje automático aprendizaje profundo Rodríguez Nuñez, Martín Desarrollo de modelos predictivos para la concentración de material particulado fino en atmósferas urbanas |
| title | Desarrollo de modelos predictivos para la concentración de material particulado fino en atmósferas urbanas |
| title_full | Desarrollo de modelos predictivos para la concentración de material particulado fino en atmósferas urbanas |
| title_fullStr | Desarrollo de modelos predictivos para la concentración de material particulado fino en atmósferas urbanas |
| title_full_unstemmed | Desarrollo de modelos predictivos para la concentración de material particulado fino en atmósferas urbanas |
| title_short | Desarrollo de modelos predictivos para la concentración de material particulado fino en atmósferas urbanas |
| title_sort | desarrollo de modelos predictivos para la concentracion de material particulado fino en atmosferas urbanas |
| topic | TECHNOLOGY::Other technology::Environmental engineering contaminación atmosférica monitoreo de calidad del aire variables derivadas a partir de información satelital sensores de bajo costo aprendizaje automático aprendizaje profundo |
| url | http://hdl.handle.net/11086/555700 |
| work_keys_str_mv | AT rodrigueznunezmartin desarrollodemodelospredictivosparalaconcentraciondematerialparticuladofinoenatmosferasurbanas |