Generación de un modelo de monitoreo de la contaminación atmosférica por metales pesados en zonas de flujo vehicular, basado en las propiedades magnéticas de biomonitores y polvo urbano

Abstract

La contaminación atmosférica urbana es uno de los problemas medioambientales más serios a los que se enfrenta la humanidad ante el rápido crecimiento económico y demográfico. Los efectos en la salud asociados a la contaminación atmosférica están relacionados con problemas respiratorios, principalmente correlacionados con la exposición temporal a material particulado (PM, siglas en inglés), especialmente las más finas (PM con diámetro ≤ 2.5 µm), que provocan lesiones cardiopulmonares y difusión sistémica. Entre los diferentes componentes del PM se encuentran los metales pesados (MPs), los cuales son especialmente peligrosos para los seres vivos ya que se bioacumulan, causando importantes efectos negativos sobre el bienestar humano y el medio ambiente. Esta tesis tuvo como objetivo establecer un modelo para predecir las concentraciones de MPs en hojas y polvo de carretera, a través de las mediciones de sus propiedades magnéticas. Para ello, se usó algoritmos de aprendizaje automático, la regresión lineal automática (MLR, siglas en inglés) y de soporte de vectorial automático (SVM, siglas en inglés) para establecer modelos de predicción de MPs basados en las propiedades magnéticas del PM depositado en hojas y polvo de la carretera. Se hizo un muestreo de polvo de carreteras y hojas de dos especies comunes de tipo perenne (Cupressus lusitánica y Casuarina equisetifolia) durante dos años en la Gran Área Metropolitana (GAM) de Costa Rica. Los resultados mostraron tanto en la etapa de entrenamiento como en la de prueba, que las concentraciones de Fe, Cu, Cr, V y Zn fueron bien estimadas por los modelos de predicción SVM, con valores R2 ajustados > 0.7 y las concentraciones de Pb y Ni fueron estimados con menor precisión, con valores R2 ajustados < 0.7. El modelo de SVM que estimó mejor la concentración de MPs a partir de propiedades magnéticas fue el que se obtuvo de las hojas de C. equisetifolia, en comparación con C. lusitanica y el polvo de la carretera, mostrando valores R2 ajustados más altos y error medio absoluto (MAE) y el error medio cuadrático (RMSE), más bajos. Es posible establecer un modelo de SVM en la GAM de Costa Rica para determinar indirectamente la concentración de elementos en material particulado depositado en hojas mediante el uso de propiedades magnéticas, permitiendo disminuir los costos, tiempos y generación de desechos para el monitoreo de MPs en las áreas urbanas.

Urban air pollution is one of the most serious environmental problems facing humanity in the context of rapid economic and demographic growth. The health effects associated with air pollution are related to respiratory problems, mainly correlated with temporary exposure to particulate matter (PM), especially the finest particles (PM with diameter ≤ 2.5 µm), which cause cardiopulmonary lesions and systemic diffusion. Among the different components of PM are heavy metals (PMs), which are particularly hazardous to living beings as they bioaccumulate, causing significant negative effects on human well-being and the environment. This thesis aims to establish a model to predict PM concentrations in leaves and road dust through measurements of their magnetic properties. For this purpose, machine learning, automatic linear regression (MLR) and automatic support vector (SVM) algorithms were used to establish prediction models of PMs based on the magnetic properties of PM deposited in leaves and road dust. Road dust and leaves of two common evergreen species (Cupressus lusitanica and Casuarina equisetifolia) were sampled for two years in the Greater Metropolitan Area (GAM) of Costa Rica. The results showed in both the training and test stages that the concentrations of Fe, Cu, Cr, V and Zn were well estimated by the SVM prediction models, with adjusted R2 values > 0.7 and the concentrations of Pb and Ni were estimated less accurately, with adjusted R2 values < 0.7. The SVM model that best estimated the concentration of PMs from magnetic properties was the one obtained from C. equisetifolia leaves, compared to that from C. lusitanica and road dust, showing higher adjusted R2 values and lower mean absolute error (MAE) and root mean square error (RMSE). It is possible to establish an SVM model in the GAM of Costa Rica to indirectly determine the concentration of elements in particulate matter deposited on leaves by using magnetic properties, allowing to reduce costs, time and waste generation for HMs monitoring in urban areas.