Un enfoque novedoso para evaluar la contribución de variables ambientales a la exposición de ciclistas al PM2.5

MATEOS, ANA C.; TAVERA BUSSO, IVÁN; RODRIGUEZ NUÑÉZ, M.; CARRERAS, HEBE A.

Mar del Plata

Congreso; VIII Congreso Argentino de la Sociedad de Toxicología y Química Ambiental; 2022

Sociedad de Toxicología y Química Ambiental

En áreas urbanas la bicicleta es percibida como una alternativa económica de movilidad yque reporta beneficios en salud tales como la promoción de actividad física, la mejoría enel acondicionamiento cardiorrespiratorio y disminución de riesgos cardiovasculares. Es asícomo los gobiernos provinciales, municipales y universitarios promueven su uso paramejorar la calidad de vida y salud de la comunidad. Sin embargo, las altas tasas de respiración de los ciclistas favorecen una mayor inhalación de contaminantes atmosféricos, lo cual puede ser simultáneamente perjudicial para su salud. El presente trabajo se propone desarrollar un modelo predictivo para comprender como factores influyentes en la variaciónespaciotemporal del PM2.5 determinan la exposición de los ciclistas a este contamínate. Coneste fin miembros de la comunidad universitaria que utilizan habitualmente la bicicleta comomedio de transporte fueron equipados con un dispositivo portátil de medición de PM2.5 (AirVisual Pro, IQAir) y un GPS (eTrex 20, Garmin) en la parte delantera de su bicicleta. Entotal, se evaluaron 72 rutas desde y hacia el campus universitario desde febrero hastaseptiembre de 2019 (4017 registros cada 10 segundos). El sensor empleado para medircontaminación de aire fue calibrado con la estación de monitoreo de calidad de aire de laMunicipalidad de Córdoba que emplea instrumentos de referencia (ECAMR) aprobados porla Agencia de Protección Ambiental de Estados Unidos (USEPA). Para reducir lavariabilidad en los registros del equipo y palear el efecto de autocorrelación que existía enla base de datos se calcularon promedios cada 100 metros de recorrido. Las variablesincluidas en el modelo predictivo de concentración de PM2.5, fueron: temperatura, humedadrelativa, velocidad del viento, dirección del viento presión atmosférica, mes, hora del día,día de la semana, intensidad del tráfico vehicular, tipología de la calle y densidad devegetación. Las variables empleadas como predictoras son conocidas por explicar lavariabilidad espacio temporal de la variable dependiente. Comparando el ajuste de losdistintos modelos de machine learning (ML) desarrollados, encontramos que el GradientBoosting Machine fue el que mejor se ajustó a los datos, con un valor mínimo de root meansquare error de 5,62 µg m3, un R2 ajustado de 0,72 y un mean absolute percentage error de 29,77% en el conjunto de datos de testeo.