Resumen:
La calidad del aire se ha vuelto un tema de preocupación global en las últimas décadas. El deterioro de la calidad del aire, producto de la presencia de contaminantes atmosféricos, tiene consecuencias negativas en el medio ambiente y por lo tanto en la salud humana. Este es el caso del material particulado PM (Particulate Matter), emitido como resultado de las actividades diarias del ser humano y de la industria, que generan una importante cantidad de sustancias que modifican la composición natural del aire. El monitoreo continuo de contaminantes atmosféricos es esencial para el diseño y ejecución de medidas de mitigación, así como para informar y educar a la población sobre los riesgos de exposición. Sin embargo, el trabajo de campo requerido para monitorear la calidad del aire es ineficiente debido a su alto costo económico y humano.
Para el desarrollo de este proyecto, se parte de modelos generados con el uso de redes neuronales artificiales que procesan imágenes satelitales obtenidas del sensor Operational Land Imager (OLI) del satélite Landsat 8 e información recopilada de registros meteorológicos históricos de las estaciones de la Red Automática de Monitoreo Atmosférico (RAMA) de la Dirección de Monitoreo Atmosférico de la Ciudad de México. Se llevó a cabo un análisis para determinar el mejor comportamiento de los modelos comparando su precisión al procesar información con variabilidades en el espacio y tiempo de la zona de estudio, así como la determinación de distintas variables meteorológicas para evaluar el desempeño más preciso de los modelos.
El fin de este trabajo es proporcionar un análisis comparativo del desempeño multitemporal de modelos predictivos de PM2.5 que puedan complementar al actual sistema de monitoreo al reducir costos y lograr una cobertura completa de la zona de estudio. Adicionalmente, esta metodología puede ser aprovechada para la toma de decisiones enfocadas en la protección de la salud de los pobladores de la Ciudad de México, en especial la de los grupos vulnerables.
