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

RODRIGUEZ NUÑEZ, MARTIN; MATEOS, A. C.; IVÁN, TAVERA BUSSO; CARRERAS, H

Mar del PLata

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

SETAC

En áreas urbanas la bicicleta es percibida como una alternativa económica de movilidad y que reporta beneficios en salud tales como la promoción de actividad física, la mejoría en el acondicionamiento cardiorrespiratorio y disminución de riesgos cardiovasculares. Es así como los gobiernos provinciales, municipales y universitarios promueven su uso para mejorar 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 variación espaciotemporal del PM2.5 determinan la exposición de los ciclistas a este contamínate. Con este fin miembros de la comunidad universitaria que utilizan habitualmente la bicicleta como medio de transporte fueron equipados con un dispositivo portátil de medición de PM2.5 (Air Visual Pro, IQAir) y un GPS (eTrex 20, Garmin) en la parte delantera de su bicicleta. En total, se evaluaron 72 rutas desde y hacia el campus universitario desde febrero hasta septiembre de 2019 (4017 registros cada 10 segundos). El sensor empleado para medir contaminación de aire fue calibrado con la estación de monitoreo de calidad de aire de la Municipalidad de Córdoba que emplea instrumentos de referencia (ECAMR) aprobados por la Agencia de Protección Ambiental de Estados Unidos (USEPA). Para reducir la variabilidad en los registros del equipo y palear el efecto de autocorrelación que existía en la base de datos se calcularon promedios cada 100 metros de recorrido. Las variables incluidas en el modelo predictivo de concentración de PM2.5, fueron: temperatura, humedad relativa, 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 de vegetación. Las variables empleadas como predictoras son conocidas por explicar la variabilidad espacio temporal de la variable dependiente. Comparando el ajuste de los distintos modelos de machine learning (ML) desarrollados, encontramos que el Gradient Boosting Machine fue el que mejor se ajustó a los datos, con un valor mínimo de root mean square 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.