Evaluación de los métodos de regresión de uso del suelo en la estimación de las concentraciones de PM10 y PM2,5

Abstract

La estimación de las concentraciones de material particulado (PM₁₀ y PM₂.₅) es esencial para la gestión de la calidad del aire y la formulación de políticas de salud pública. Este estudio se centró en el Área Metropolitana de Bucaramanga (AMB), utilizando Modelos de Regresión de Uso del Suelo (LUR) basados en datos de teledetección para estimar dichas concentraciones entre 2018 y 2023. Se utilizaron imágenes satelitales de Landsat 8 y datos del Sistema de Vigilancia de Calidad del Aire, con predictores como las bandas de reflectancia y varios índices ambientales (NDVI, SAVI, NDWI, NDSI). Se compararon tres técnicas predictivas: regresión paso a paso, regresión de mínimos cuadrados parciales y redes neuronales artificiales (ANN-MLP). Los resultados mostraron que la ANN-MLP fue la más precisa, con un coeficiente de determinación de R² = 0.57 para PM₁₀ y R² = 0.71 para PM₂.₅, y errores cuadráticos medios (RMSE) de 13.13 y 6.61, respectivamente. A partir de los mejores modelos, se generaron mapas de concentración diaria de PM₁₀ y PM₂.₅, proporcionando una herramienta útil para gestionar la calidad del aire en áreas con monitoreo limitado (Texto tomado de la fuente).

Estimating particulate matter concentrations (MP₁₀ and MP₂.₅) is essential for air quality management and the development of public health policies. This study focuses on the Metropolitan Area of Bucaramanga (AMB), using Land Use Regression (LUR) models based on remote sensing data to estimate these concentrations from 2018 to 2023. Landsat 8 satellite images and data from the Air Quality Monitoring System were used, incorporating surface reflectance bands and several environmental indices (NDVI, SAVI, NDWI, NDSI). Three predictive techniques were compared: stepwise regression, partial least squares regression, and artificial neural networks (ANN-MLP). The results showed that ANN-MLP was the most accurate, with a coefficient of determination of R² = 0.57 for MP₁₀ and R² = 0.71 for MP₂.₅, and root mean square errors (RMSE) of 13.13 and 6.61, respectively. Using the best models, daily concentration maps of MP₁₀ and MP₂.₅ were generated, providing a valuable tool for managing air quality in areas with limited monitoring.