Keywords
nitrogen oxides
ozone
particulate matter
Machine Learning
How to Cite
##article.highlights##
- NO X , O 3 , CO, PM 10 and PM 2.5 were analyzed in Mexico City Metropolitan Area (MCMA)
- Spatio-temporal dynamics varied among pollutants in MCMA.
- Pollutant concentrations decreased in the periods studied.
- NO X had the largest decrease (-1.28 ppb∙yr -1 ), and CO had the smallest change (-0.12 ppm∙yr -1 ).
- Support Vector Machine had the best fit for pollutant interpolation.
##article.graphical##
Abstract
Introduction: Large cities have air pollution problems due to the emission of polluting gases and particulate matter (PM).
Objectives: To know the intra- and inter-annual variation of pollutants (NOX, CO, O3, PM10 and PM2.5) in Mexico City Metropolitan Area and to model their spatial distribution.
Materials and methods: Data from 44 stations of the Automatic Air Monitoring Network (RAMA) were analyzed to extract information for the pollutants NOX, O3 and CO in the period 1986-2021, and PM2.5 and PM10 in the periods 2000-2021 and 2003-2021, respectively. Monthly averages per station were calculated and the temporal trend of each pollutant was evaluated using the ‘Theil-Sen’ operator. The spatial distribution of pollutants was also modeled and the statistical performance of four interpolation methods was compared: Neural Networks, Support Vector Machine, Random Forest and Kriging Universal.
Results and discussion: NOX and CO concentrations were high from November to January, while O3 from April to May. The lowest concentrations of PM10 and PM2.5 took place from July to October and the highest in May. All pollutants decreased in concentration during the period analyzed, with the most noticeable changes in NOX (-1.28 ppb·yr-1)
, while CO had the smallest change (-0.12 ppm·yr-1). The maximum values for NOX, O3 and CO occurred in 1993 and for PM in 2003. The best model was Support Vector Machine, regardless of the pollutant analyzed.
Conclusion: Spatio-temporal dynamics varied among air pollutants. The analysis with spatial interpolation methods is viable and favors solution strategies to pollution problems.
References
Akritas, M. G., Murphy, S. A., & Lavalley, M. P. (1995). The theil-sen estimator with doubly censored data and applications to astronomy. Journal of the American Statistical Association, 90(429), 170‒177. https://doi.org/10.1080/01621459.1995.10476499
Ale, T. M. L., Moreno, S. K., & Luque, Z. B. (2020). Perspectiva del COVID-19 sobre la contaminación del aire. Revista de la Sociedad Científica del Paraguay, 25(2), 155‒182. https://doi.org/10.32480/rscp.2020.25.2.155
Aliyar, Z. B., Shafiei, A. B., Seyedi, N., Rezapour, S., & Moghanjugi, S. M. (2020). Effect of traffic-induced air pollution on seed germination of Arizona Cypress (Cupressus arizonica Green) and Black Pine (Pinus nigra Arnold). Urban Forestry & Urban Greening, 55, 126841. https://doi.org/10.1016/j.ufug.2020.126841
Barrera Huertas, H. A., Torres Jardón, R., Ruíz Suárez, L. G., Santos García Yee, J., Torres Jaramillo, A., Martínez Bolívar, A. P., & García Reynoso, J. A. (2019). Análisis del transporte de ozono en la cuenca atmosférica de Puebla-Tlaxcala en el centro de México. Revista Internacional de Contaminación Ambiental, 35(4), 869‒888. https://doi.org/10.20937/rica.2019.35.04.08
Beguin, J., Fuglstad, G.-A., Mansuy, N., & Paré, D. (2017). Predicting soil properties in the Canadian boreal forest with limited data: Comparison of spatial and non-spatial statistical approaches. Geoderma, 306, 195‒205. 10.1016/j.geoderma.2017.06.016
Calderón, G. D., Hernández, I. J. L., Castilla, S. L., Hernández, G. E., Barragán, M. G., Rodríguez, P. R. A., & Villegas, O. G. (2000). El ozono como molécula reactiva. Concepto actual. Perinatología y Reproducción Humana, 14(2), 115‒123. https://www.medigraphic.com/pdfs/inper/ip-2000/ip002f.pdf
Camarillo, R. P., López, A. S., Rosales, L. J. C., & Pérez, V. I. (2014). Análisis de datos de calidad del aire de la Zona Metropolitana del Valle de México mediante técnicas de agrupamiento. Research in Computing Science, 72, 137‒150. https://doi.org/10.13053/rcs-72-1-11
Castro, M., García, D., & Jiménez, A. (2017). Comparación de técnicas de interpolación espacial de propiedades del suelo en el piedemonte llanero colombiano. Tecnura, 21(53), 78‒95. https://doi.org/10.14483/22487638.11658
Cervantes, M. G. T., Bracho, L. R., & Bremauntz, A. F. (2005). Las partículas suspendidas en tres grandes ciudades mexicanas. Gaceta Ecológica, (74), 15‒28. https://www.redalyc.org/articulo.oa?id=53907402
Chen, L., Ren, C., Li, L., Wang, Y., Zhang, B., Wang, Z., & Li, L. (2019). A comparative assessment of geostatistical, machine learning, and hybrid approaches for mapping topsoil organic carbon content. ISPRS International Journal of Geo-Information, 8, 174. https://doi.org/10.3390/ijgi8040174
Chow, J., Watson, J., Edgerton, S., & Vega, E. (2002). Chemical composition of PM2.5 and PM10 in Mexico City during winter 1997. The Science of the Total Environment, 287(3), 177‒201. https://doi.org/10.1016/S0048-9697(01)00982-2
Correa, I. J. de J., Romero, P. J. M., Pérez, R. P., & Vázquez, A. A. (2023). Application of geostatistical models for aridity scenarios in northern Mexico. Atmósfera, 37, 233–244. https://doi.org/10.20937/ATM.53103
Cunha, V., Magoni, D., Inácio, P., & Freire, M. (2022). Impact of self C parameter on SVM-based classification of encrypted multimedia peer-to-peer traffic. In L. Barolli, F. Hussain, & T. Enokido (Eds.), Advanced information networking and applications (pp. 180‒193). Springer. https://doi.org/10.1007/978-3-030-99584-3_16
Espejel, M. J. (2019). La Zona Metropolitana del Valle de México: arreglos formales y fragmentación. Economía, Sociedad y Territorio, 19(60), 241‒271. https://www.redalyc.org/articulo.oa?id=11162787009
Espinosa-Zuñiga, J. J. (2020). Aplicación de algoritmos Random Forest y XGBoost en una base de solicitudes de tarjetas de crédito. Ingeniería, Investigación y Tecnología, 21(3). https://doi.org/10.22201/fi.25940732e.2020.21.3.022
Espinoza, E. P., & Molina, C. E. (2014). Contaminación del aire exterior Cuenca-Ecuador, 2009-2013. Posibles efectos en la salud. Revista de la Facultad de Ciencias Médicas de la Universidad de Cuenca, 32(2), 6‒17. https://publicaciones.ucuenca.edu.ec/ojs/index.php/medicina/article/view/883/781
Estarlich, M., Iñiguez, C., Esplugues, A., Mantilla, E., Zurriaga, Ò., Nolasco, A., & Ballester, F. (2013). Variación espacial de la exposición a contaminación atmosférica en la ciudad de Valencia y su relación con un índice de privación. Gaceta Sanitaria, 27(2), 143‒148. https://doi.org/10.1016/j.gaceta.2012.05.010
García, R. J. A. (2009). Influencia de la meteorología en la calidad de aire en la Zona Metropolitana del Valle de México. TIP Revista Especializada en Ciencias Químico-Biológicas, 12(2), 83‒86. https://doi.org/10.22201/fesz.23958723e.2009.2.27
García, E., & Lozano, F. (2007). Boosting support vector machines. https://elkingarcia.github.io/Papers/MLDM07.pdf
Guzmán-Morales, J., Morton-Bermea, O., Hernández-Álvarez, E., Rodríguez-Salazar, M. T., García-Arreola, M., & Tapia-Cruz, V. (2011). Assessment of atmospheric metal pollution in the urban area of Mexico City, using Ficus benjamina as biomonitor. Bulletin of Environmental Contamination and Toxicology, 86, 495‒500. https://doi.org/10.1007/s00128-011-0252-9
Instituto Nacional de Estadística y Geografía (INEGI). (2020). Censo de Población y Vivienda. https://www.inegi.org.mx/programas/ccpv/2020/
Instituto Nacional de Estadística y Geografía (INEGI). (2022). Vehículos de motor registrados en circulación. https://www.inegi.org.mx/programas/vehiculosmotor/
Jenkin, M., & Clemitshaw, K. (2000). Ozone and other secondary photochemical pollutants: Chemical processes governing their formation in the planetary boundary layer. Atmospheric Environment, 34, 2499‒2527. doi: 10.1016/S1352-2310(99)00478-1
Liu, Z., & Xu, H. (2014). Kernel parameter selection for support vector machine classification. Journal of Algorithms & Computational Technology, 8(2), 163‒177. https://doi.org/10.1260/1748-3018.8.2.163
López, F. A., Heres, D., & Marquez, P. F. (2021). Air pollution exposure and COVID-19: A look at mortality in Mexico City using individual-level data. Science of the Total Environment, 756, 143929. https://doi.org/10.1016/j.scitotenv.2020.143929
Madrigal, U. D., Hernández, R. J. C., & Morales, M. C. (2004). Comportamiento del monóxido de carbono y el clima en la ciudad de Toluca, de 1995 a 2001. Ciencia Ergo-Sum, Revista Científica Multidisciplinaria de Prospectiva, 11(3), 263‒274. https://www.redalyc.org/articulo.oa?id=10411306
Mercado, A., Domínguez, L., & Fernández, O. (1995). Contaminación industrial en la zona metropolitana de la Ciudad de México. Comercio Exterior, 45(10), 766‒774. http://revistas.bancomext.gob.mx/rce/magazines/325/6/RCE6.pdf
Miller, B. G. (2011). 4 - The effect of coal usage on human health and the environment. In B. G. Miller (Ed.), Clean coal engineering technology (pp. 85‒132). Butterworth-Heinemann. https://doi.org/10.1016/B978-1-85617-710-8.00004-2
Muhammad, I., Shalmani, A., Ali, M., Yang, Q.-H., Ahmad, H., & Li, F. B. (2021). Mechanisms regulating the dynamics of photosynthesis under abiotic stresses. Frontiers in Plant Science, 11. https://doi.org/10.3389/fpls.2020.615942
Navarro, A. A. (2019). Control de la contaminación atmosférica en la Zona Metropolitana del Valle de México. Estudios Demográficos y Urbanos, 34, 631‒663. https://doi.org/10.24201/edu.v34i3.1806
Secretaría de Salud. (2021). Norma Oficial Mexicana NOM-021-SSA1-2021. Salud ambiental. Criterio para evaluar la calidad del aire ambiente, con respecto al monóxido de carbono (CO) en el aire ambiente, como medida de protección a la salud de la población. Diario Oficial de la Federación (DOF). https://www.dof.gob.mx/nota_detalle.php?codigo=5634084&fecha=29/10/2021#gsc.tab=0
Secretaría de Salud. (2021). Norma Oficial Mexicana NOM-021-SSA1-2021. Salud ambiental. Criterio para evaluar la calidad del aire ambiente, con respecto al ozono (O3), como medida de protección a la salud de la población. Diario Oficial de la Federación (DOF). https://www.dof.gob.mx/nota_detalle.php?codigo=5633956&fecha=28/10/2021#gsc.tab=0
Secretaría de Salud. (2021). Norma Oficial Mexicana NOM-023-SSA1-2021. Salud ambiental. Criterio para evaluar la calidad del aire ambiente, con respecto al dióxido de nitrógeno (NO2), como medida de protección a la salud de la población. Diario Oficial de la Federación (DOF). https://dof.gob.mx/nota_detalle.php?codigo=5633854&fecha=27/10/2021#gsc.tab=0
Secretaría de Salud. (2021). Norma Oficial Mexicana NOM-025-SSA1-2021 Salud ambiental. Criterio para evaluar la calidad del aire ambiente, con respecto a las partículas suspendidas PM10 y PM2.5 como medida de protección a la salud de la población. https://dof.gob.mx/nota_detalle.php?codigo=5633855&fecha=27/10/2021#gsc.tab=0
Organización Mundial de la Salud (OMS). (2005). Guías de calidad del aire de la OMS relativas al material particulado, el ozono, el dióxido de nitrógeno y el dióxido de azufre. https://apps.who.int/iris/bitstream/handle/10665/69478/WHO_SDE_PHE_OEH_06.02_spa.pdf;jsessionid=2AC85F7FC5F727C4C6C10E06AE3CF64B?sequence=1
Pedrero, V., Reynaldos, G. K., Ureta, A. J., & Cortez, P. E. (2021). Generalidades del Machine Learning y su aplicación en la gestión sanitaria en servicios de urgencia. Revista Médica de Chile, 149(2), 248‒254. https://doi.org/10.4067/s0034-98872021000200248
Pérez, J. I. J., Némiga, X. A., Gaytán, J. F. M., Cedillo, J. G. G., Plata, M. Á. B., Loik, M. E., Sanabria, J. M. C. (2010). Variaciones climáticas en la Zona Metropolitana de la Ciudad de Toluca, Estado de México: 1960-2007. Ciencia Ergo-Sum, Revista Científica Multidisciplinaria de Prospectiva, 17(2), 143‒153. https://www.redalyc.org/articulo.oa?id=10413200004
Pérez, C. V., Schmelkes, E., López, C. O., Carrera, F., García, T. l. A. P., & Teruel, G. (2018). Ingreso y calidad del aire en ciudades: ¿Existe una curva de Kuznets para las emisiones del transporte en la Zona Metropolitana del Valle de México? El Trimestre Económico, 85(340), 745‒764. https://doi.org/10.20430/ete.v85i340.717
Pérez, V. Z. R., Ángeles, P. G., Chávez, V. B., Valdez, L. J. R., & Ramírez, G. M. E. (2021). Enfoque espacial para modelación de carbono en el mantillo de bosques bajo manejo forestal maderable. Madera y Bosques, 27(1). https://doi.org/10.21829/myb.2021.2712122
Popovicheva, O., Ivanov, A., & Vojtisek, M. (2020). Functional factors of biomass burning contribution to spring aerosol composition in a megacity: Combined FTIR-PCA Analyses. Atmosphere, 11(4), 19. https://doi.org/10.3390/atmos11040319
R Development Core Team. (2021). R: A Language and Environment for Statistical Computing. The R Foundation for Statistical Computing. https://www.R-project.org
Romieu, I., Meneses, F., Ruiz. S, Sienra, J. J., Huerta, J., White, M. C., & Etzel, R. A. (1996). Effects of air pollution on the respiratory health of asthmatic children living in Mexico City. American Journal of Respiratory and Critical Care Medicine, 154, 300‒307. https://doi.org/10.1164/ajrccm.154.2.8756798
Sandoval, J., & Jaimes, J. L. (2002). Formación de ozono en la Ciudad de México durante una porción de primavera e invierno en cámaras de esmog exteriores. Revista de la Sociedad Química de México, 46(2), 180‒184. https://www.redalyc.org/articulo.oa?id=47546217
Secretaría del Medio Ambiente (SEDEMA). (2018). Inventarios de emisiones de la ZMVM. https://www.sedema.cdmx.gob.mx/storage/app/media/DGCA/InventarioDeEmisionesZMVM2018.pdf
Sheinbaum, P. C. (2016). Contaminación atmosférica en la Zona Metropolitana del Valle de México. Revista Ciencia, 67, 70‒77. https://www.revistaciencia.amc.edu.mx/images/revista/67_3/PDF/Contaminacion.pdf
Shekaramiz, M., Moon, T. K., & Gunther, J. (2019). A note on Kriging and Gaussian processes. https://doi.org/10.13140/RG.2.2.36631.83367
Sheu, Y.-h. (2020). Illuminating the Black Box: Interpreting deep neural network models for psychiatric research. Frontiers in Psychiatry, 11. https://doi.org/10.3389/fpsyt.2020.551299
Villalobos, V. M. C. (2006). Inventario de emisiones de la ZMVM, 2006. http://186.96.0.232/aire/default.php?opc=Z6BhnmI=&dc=Zg==
Vinasco, S., Pablo, J., Nastar C., & Nastar del Rio, T. C. (2013). Variación espacial y temporal de concentraciones de PM10 en el área urbana de Santiago de Cali, Colombia. Ingeniería de Recursos Naturales y del Ambiente (12), 129‒141. https://www.redalyc.org/pdf/2311/231130851011.pdf
Wedyan, G. N., Osama T. Al., & Zainab M. A. (2020). The Influence of solar radiation on ozone column weight over Baghdad City. IOP Conference Series: Materials Science and Engineering, 928, 072089. https://doi.org/10.1088/1757-899X/928/7/072089
Xing, Y.-F., Xu, Y.-H., Shi, M.-H., & Lian, Y.-X. (2016). The impact of PM2.5 on the human respiratory system. Journal of Thoracic Disease, 8(1), E69‒E74. https://doi.org/10.3978/j.issn.2072-1439.2016.01.19
Yuan, Q., Shen, H., Li, T., Li, Z., Li, S., Jiang, Y., Xu, H., Tan, W., Yang, Q., & Wang, J. (2020). Deep learning in environmental remote sensing: Achievements and challenges. Remote Sensing Environment, 241, 111716. https://doi.org/10.1016/j.rse.2020.111716
Zhou, Y., Yue, Y., Bai, Y., & Zhang, L. (2020). Effects of rainfall on PM2.5 and PM10 in the middle reaches of the Yangtze River. Advances in Meteorology, 2398146. https://doi.org/10.1155/2020/2398146
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Copyright (c) 2023 Revista Chapingo Serie Ciencias Forestales y del Ambiente