Análisis de PM2.5 suspendidos en el noroeste de Hermosillo.

Autores/as

DOI:

https://doi.org/10.36790/epistemus.v19i38.410

Palabras clave:

Calidad del Aire, PM2.5, Estacionalidad, Prediccion

Resumen

En la ciudad de Hermosillo, Sonora, se han empleado sensores de bajo costo para capturar datos sobre la contaminación por partículas PM2.5 y otros contaminantes atmosféricos. Dado que estos contaminantes han sido objeto de estudio durante las últimas décadas, es fundamental prever su comportamiento futuro. En este estudio, se utilizan modelos de aprendizaje automático para la predicción y el análisis de tendencias en los niveles de PM2.5. Los resultados preliminares indican que las concentraciones de contaminantes presentan una clara variabilidad estacional. La metodología propuesta sigue un enfoque sistemático para la preparación y análisis de datos en el contexto de los algoritmos de aprendizaje automático. Este enfoque incluye procesos de limpieza, exploración, tratamiento de valores atípicos y faltantes, escalado de datos categóricos, selección de características, y la partición de los datos en conjuntos de entrenamiento y prueba.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

D. Meza-Figueroa. «Heavy metal distribution in dust from elementary schools in Hermosillo, Sonora, México». Atmospheric Environment, 2007, 276-28. DOI: https://doi.org/10.1016/j.atmosenv.2006.08.034

A. Santos Romo. Evaluation of air quality for PM10, NO× and SO2 suspended particles in the city of Hermosillo, Sonora, 2006.

M. E. Cruz Campas, A. Gómez Alvarez, Quintero Núñez, M., y Varela Salazar, J. (2013). «Evaluación de la calidad del aire respecto de partículas suspendidas totales (PST) y metales pesados (Pb, Cd, Ni, Cu, Cr) en la ciudad de Hermosillo, Sonora, México, durante un periodo anual». Revista internacional de contaminación ambiental, 29(4), 269-283.

S. Zhou, W. Wang, L. Zhu, Q. Qiao, y Y. Kang, «Deep-learning architecture for PM2. 5 concentration prediction: A review», Environmental Science and Ecotechnology, 100400, 2024. https://doi.org/10.1016/j.ese.2024.100400 DOI: https://doi.org/10.1016/j.ese.2024.100400

U. A. Bhatti, Y. Yan, M. Zhou, S. Ali, A. Hussain, H. Qingsong, y L. Yuan, «Time series analysis and forecasting of air pollution particulate matter (PM 2.5): an SARIMA and factor analysis approach», Ieee Access, 9, 41019-41031, 2021. https://doi.org/10.1109/ACCESS.2021.3060744 DOI: https://doi.org/10.1109/ACCESS.2021.3060744

F. Mohammadi, H. Teiri, Y. Hajizadeh, A. Abdolahnejad, y A. Ebrahimi, «Prediction of atmospheric PM2. 5 level by machine learning techniques in Isfahan, Iran», Scientific Reports, 14(1), 2109, 2024. https://doi.org/10.1038/s41598-024-52617-z DOI: https://doi.org/10.1038/s41598-024-52617-z

U. Pak, J. Ma, U. Ryu K. Ryom, U. Juhyok, K. Pak, y C. Pak, «Deep learning-based PM2. 5 prediction considering the spatiotemporal correlations: A case study of Beijing, China», Science of the Total Environment, 699, 133561, 2020. https://doi.org/10.1016/j.scitotenv.2019.07.367 DOI: https://doi.org/10.1016/j.scitotenv.2019.07.367

F. Xiao, M. Yang, H. Fan, G. Fan, y M. A. Al-Qaness, «An improved deep learning model for predicting daily PM2. 5 concentration», Scientific reports, 10(1), 20988, 2020. https://doi.org/10.1038/s41598-020-77757-w DOI: https://doi.org/10.1038/s41598-020-77757-w

H. Jin, X. Chen, R. Zhong, y M. Liu, «Influence and prediction of PM2. 5 through multiple environmental variables in China», Science of The Total Environment, 849, 157910, 2022. https://doi.org/10.1016/j.scitotenv.2022.157910 DOI: https://doi.org/10.1016/j.scitotenv.2022.157910

Q. Xiao, G. Geng, J. Cheng, F. Liang, R. Li, X. Meng, y K. He, «Evaluation of gap-filling approaches in satellite-based daily PM2. 5 prediction models», Atmospheric Environment, 244, 117921. 2021. https://doi.org/10.1016/j.atmosenv.2020.117921 DOI: https://doi.org/10.1016/j.atmosenv.2020.117921

W. Ban y L. Shen, «PM2. 5 prediction based on the CEEMDAN algorithm and a machine learning hybrid model», Sustainability, 14(23), 16128, 2022. https://doi.org/10.3390/su142316128 DOI: https://doi.org/10.3390/su142316128

Y. C. Chen y D. C. Li, «Selection of key features for PM2. 5 prediction using a wavelet model and RBF-LSTM», Applied Intelligence, 51, 2534-2555, 2021. https://doi.org/10.1007/s10489-020-02031-5 DOI: https://doi.org/10.1007/s10489-020-02031-5

J. Ma, Z. Yu, Y. Qu, J. Xu, y Y. Cao, «Application of the XGBoost machine learning method in PM2. 5 prediction: a case study of Shanghai», Aerosol and Air Quality Research, 20(1), 2020, pp. 128-138. https://doi.org/10.4209/aaqr.2019.08.0408 DOI: https://doi.org/10.4209/aaqr.2019.08.0408

Gráfico del modelo de Prophet con datos históricos y predichos de PM2.5

Descargas

Publicado

2025-05-04

Cómo citar

Domínguez Hurtado, J. M., Cirett Galán, F. M., & Torres Peralta, R. (2025). Análisis de PM2.5 suspendidos en el noroeste de Hermosillo. EPISTEMUS, 19(38), e3809410. https://doi.org/10.36790/epistemus.v19i38.410

Número

Sección

Ciencia, Tecnología y Sociedad

Métrica

Artículos más leídos del mismo autor/a