caracterizaciÓn del material particulado …
TRANSCRIPT
CARACTERIZACIÓN DEL MATERIAL PARTICULADO ATMOSFÉRICO EN LA CIUDAD DE CÓRDOBA MEDIANTE EL EMPLEO DE DATOS
SATELITALES. RELACIÓN CON VARIABLES METEOROLÓGICAS.
Amarillo, Ana1,2
; Mignola Marcos2; Krisna, Trismono
3; Wendisch, Manfred
3; Carreras, Hebe
1,2
1.Instituto Multidisciplinario de Biología Vegetal – Consejo Nacional de Investigaciones Científicas y Técnicas (IMBIV – CONICET). Av. Vélez Sarsfield 299 piso 2. CP5000 Córdoba. 2.Facultad de Ciencias Exactas, Físicas y Naturales – Universidad Nacional de Córdoba (FCEFyN – UNC). Av. Vélez Sarsfield
1611 CP X5016 GCA Córdoba. 3.Instituto de Meteorología de Leipzig (LIM) - Facultad de Física y Geociencias, Universidad de Leipzig. Stephanstr. 3, 04103 Leipzig
[email protected]; [email protected]; trismono_candra.krisna@uni- leipzig.de; [email protected]; [email protected]
Resumen:
Con el objetivo de caracterizar la composición y concentración de PM2.5 en la ciudad de
Córdoba y analizar su relación con variables meteorológicas, se tomaron muestras de PM2.5 en superficie en 9 sitios en invierno de 2018, se determinó su concentración y composición en
carbono orgánico (OC) y elemental (EC), se obtuvo el espesor óptico de aerosoles (AOD) con corrección MAIAC a partir de imágenes del sensor MODIS, validado con datos de AERONET
se estimó el cociente de carbono efectivo (ECR), y se modeló PM2.5 en función del AOD y variables meteorológicas. La concentración de PM2.5 varió espacialmente de manera significativa, superando en 3 sitios los estándares de la OMS; se asoció negativamente con la
humedad y la temperatura de rocío. Las concentraciones de EC y OC resultaron bajas e intermedias, respectivamente, respecto a otras ciudades del mundo, y sin variación espacial
significativa. EC se relacionó positivamente con el viento SO y la radiación solar. El ECR indicaría un efecto radiativo de calentamiento de la atmosfera de PM2.5. El AOD se relacionó
positivamente con la presión atmosférica y negativamente con el punto de rocío, pero no se relacionó significativamente con la concentración y la composición de PM2.5, probablemente debido al bajo número de muestras y la baja resolución temporal en el dato de partículas. Se
propone emplear imágenes que aporten información sobre la distribución vertical de las partículas para modelar la concentración y composición en OC/EC a nivel superficial.
Palabras clave: MODIS, AOD, PM2.5
PARTICULATE MATTER CHARACTERIZATION IN CORDOBA CITY USING SATELLITE DATA. RELATIONSHIP WITH METEOROLOGICAL
VARIABLES.
Abstract: In order to characterize the composition and concentration of PM2.5 in Córdoba city
and analyze its relationship with meteorological variables, samples of PM2.5 were collected at surface level in 9 sites in winter 2018, the concentration and composition of organic (OC) and
elemental carbon (EC) were determined, the aerosol optical depth (AOD) with MAIAC correction was obtained from MODIS sensor images, validated with data from AERONET, the
effective carbon quotient was estimated, and PM2.5 was modeled based on AOD and meteorological variables. PM2.5 concentration varied significantly in space surpassing the WHO standards in 3 sampling sites; it was negatively related with humidity and dew point. The
EC and OC concentrations were low and intermediate, respectively, compared to other cities in the world, and didn’t show significant spatial variation. EC was positively related to SW wind
and solar radiation. The ECR would indicate a radiative heating effect of PM2.5 in the atmosphere. AOD was positively related to atmospheric pressure and negatively related to
dew point but was not significantly related to PM2.5 concentration and composition, probably
CCC+UNC 2019 CONGRESO INTERNACIONAL DE CAMBIO
CLIMATICO
27 y 28 de junio de 2019 - Ciudad Universitaria, Córdoba
due to the low number of samples and the low temporal resolution in PM2.5 data. We propose the use of images that provide information on the vertical distribution of particles to model the
OC/EC concentration and composition at the surface level.
Keywords: MODIS, AOD, PM2.5
Introducción
El calentamiento global y el cambio climático son temas clave en materia de desarrollo sustentable y representan el principal desafío que enfrenta la humanidad. El
calentamiento de la atmósfera se debe a la contribución de gases de efecto invernadero (GEI) y aerosoles, cuya concentración se ve a su vez condicionada por el clima. Particularmente la
relación de los contaminantes con la temperatura es de suma importancia ya que se proyecta que las temperaturas medias globales habrán de aumentar a nivel mundial de 1,1ºC a 6,4ºC
para el año 2100 (Pachauri, 2008). Los aerosoles son suspensiones coloidales de partículas sólidas o líquidas,
orgánicas e inorgánicas, en un gas (Putaud y col., 2004), que se emiten por fuentes naturales
(erupciones volcánicas o polvo desértico) directamente a la atmósfera (emisiones primarias), o por fuentes antropogénicas (primarias: humo de chimeneas, tránsito vehicular, procesos
industriales; secundarias: producidas foto-químicamente a partir de contaminantes gaseosos). A pesar de su menor proporción en la atmósfera, los aerosoles antropogénicos son los que
más condicionan la formación y propiedades de los aerosoles atmosféricos en general modificando el clima regional y global (Ramanathan y col., 2007). Se estima que sus influencias radiativas directas e indirectas son de magnitud comparable a los efectos de los
GEI (Buseck y Schawartz, 2003). De acuerdo con su composición, los aerosoles pueden incrementar o disminuir la
temperatura atmosférica presentando una gran incertidumbre en sus efectos. Los principales mecanismos por los que los aerosoles influyen en el balance radiativo terrestre son la
dispersión y la absorción de la radiación solar (efecto directo) y la modificación de las nubes y las precipitaciones, afectando tanto a la radiación como a la hidrología (efecto indirecto). Así, los aerosoles que dispersan la luz hacen aumentar el brillo del planeta, enfriándolo,
contrariamente los que absorben la luz, tales como el carbón elemental, ejercen una influencia de calentamiento (Papadimas y col., 2012).
La importante variación espacial y temporal de los aerosoles limita la capacidad de monitoreo de las estaciones fijas ya que se necesitaría una gran cantidad de muestreadores para capturar estas variaciones locales (Gupta y col., 2006). El empleo de sensores satelitales
permite capturar esta variabilidad local e identificar masas de aerosoles que son transportadas a grandes distancias, posibilitando a su vez la obtención de información en un área extensa y
en regiones que carecen de capacidad de monitoreo de aerosoles en tierra (Engel-Cox y col., 2004). El sensor MODIS (Espectrorradiómetro de Resolución Moderada), ubicado en los
satélites Terra y Aqua, operado por la Administración Nacional de Aeronáutica y Espacio de Estados Unidos (NASA), permite obtener el parámetro profundidad óptica de aerosoles (AOD), que mide la extinción de la radiación electromagnética debida a la presencia de
aerosoles en una columna atmosférica proporcionando información sobre la variabilidad espacial de las partículas (Chudnovsky y col., 2012) ya que se relaciona con mediciones
obtenidas por instrumentos en tierra (Chu y col., 2003; Gupta y col., 2006; Hutchison y col., 2005). El nuevo algoritmo MAIAC (del inglés: Multi-Angle Implementation of Atmospheric
Correction for Modis), proporciona datos de AOD con una resolución de 1 km x 1 km, superando la anterior de 10km x 10km. Si bien existen algunos estudios previos que emplean este algoritmo (Chudnosvky y col., 2012), se necesitan procesar más datos todavía para
entender su potencial y limitaciones a fin de mejorar la precisión en las estimaciones de aerosoles.
En el ámbito local, los estudios demostraron cambios significativos en las tendencias climáticas en Argentina durante las últimas cuatro décadas, muy probablemente relacionadas
con el cambio climático. Sin embargo, como la información con respecto al tipo y concentración de aerosoles antropogénicos es escasa, no se puede determinar el alcance de
su influencia en el clima a nivel regional. La gran variabilidad espacio-temporal de las concentraciones y propiedades de los aerosoles, impone la necesidad de su estudio a nivel
regional (King, 2006). En la provincia de Córdoba, la información acerca de concentración y composición química de aerosoles es escasa y los estudios están centralizados en la ciudad
capital (Amarillo, 2016; López y col., 2011; Mateos, 2016). El presente proyecto busca contribuir y generar información de base sobre la concentración y composición de aerosoles, particularmente PM2.5, en la ciudad de Córdoba, así como evaluar su relación con las variables
meteorológicas. Emplear datos de superficie para validar modelos que empleen información satelital, permitirá estimar la concentración y composición de partículas a escala regional. La
información servirá de apoyo a la toma de decisiones relacionadas con posibles medidas de mitigación de efectos del cambio climático asociadas con los aerosoles (Zárate, 2007).
Objetivos
General: Modelar la composición y concentración de aerosoles en la ciudad de Córdoba
empleando información satelital y de superficie, y evaluar su relación con las variables
meteorológicas.
Objetivos específicos
a) Obtener datos diarios de concentración de aerosoles en la ciudad de Córdoba.
b) Determinar la composición de carbono orgánico (CO) y carbono elemental (CE).
c) Validar el empleo de datos satelitales (MAIAC-AOD) para estimar concentración de aerosoles.
d) Evaluar los efectos de las variables meteorológicas sobre la composición y concentración de aerosoles.
Metodología del Área de estudio
Córdoba es la segunda ciudad más importante del país con una población de ≈1,3
millones de habitantes (INDEC, 2010). Tiene una superficie de 576 km2 (Córdoba. Una ciudad
en cifras, 2017). La ciudad ha experimentado un fuerte crecimiento en los últimos años,
afectando al ambiente y calidad de vida de las personas. Se escogieron 9 sitios con presuntas fuentes de emisión variables y en diferentes puntos cardinales de la ciudad (Fig.1).
Figura 1. Disposición de los sitios de muestreo en la ciudad de Córdoba.
Argentina
1. Reserva Natural Urbana General San Martín. 2. Zona residencial oeste. 3. Facultad de Ciencias Exactas, Físicas y Naturales, área céntrica. 4. Centro de Zoología Aplicada. Área verde. 5. Chacra de la merced. Área Industrial. 6. Facultad de Ciencias Exactas, Físicas y Naturales. Ciudad Universitaria.Área semiurbana. 7. Laboratorio privado. Zona de alto
Ciudad de
Córdoba
tránsito. 8. Zona residencial sur. 9.Universidad Católica de Córdoba. Campus universitario. Área rural.
Muestreo de PM2.5
El muestreo fue llevado a cabo durante el otoño-invierno de 2018 (11-5-2018 a 10-8- 2018). Las partículas menores a 2.5 micras (PM2.5) fueron muestreadas con bombas de bajo volumen (16L/min), acopladas con impactadores Harvard y usando filtros de teflón y filtros de fibra de cuarzo (1µm de poro y 3 unidades consecutivas por sitio), para medir composición
elemental y OC/EC respectivamente, contabilizando un total de 6 muestras por sitio de muestreo. Cada filtro acumuló partículas de 3 ó 4 días. El sitio 6 (ciudad Universitaria) fue
utilizado como control de variación temporal, tomándose muestras durante todo el período. Los muestreadores fueron ubicados a ≈3,5 m del suelo para evitar emisiones directas del
tránsito y partículas de suelo suspendidas.
Determinación de la concentración de partículas
Los filtros fueron almacenados en cápsulas de acrílico en estufa, para remover la humedad, al menos un día, y colocados en desecador media hora antes de pesarlos. La
concentración de partículas fue determinada gravimétricamente usando una microbalanza electrónica (±0.01 mg).
Análisis del carbono elemental (EC) y carbono orgánico (OC)
Las determinaciones de OC y EC fueron llevadas a cabo utilizando filtros de fibra de cuarzo (Quartz Air Sampling Filter, Grade QMA, 47 mm circle, GE Healthcare Life Sciences
WhatmanTM
), los cuales fueron pre-acondicionados antes del muestreo en estufa a 105°C durante 24 horas para remover los compuestos volátiles del carbono adsorbidos, luego
almacenados en papel aluminio, colocados en el desecador y pesados. Se utilizaron blancos de laboratorio, los cuales fueron también calentados, envueltos en aluminio, colocados en
desecador y pesados, de la misma manera que los filtros para el muestreo, sólo que estos fueron luego almacenados en frío hasta su análisis químico.
Las muestras fueron almacenadas en freezer a -20°C envueltas en papel aluminio y
transportadas con geles refrigerantes dentro de bolsas herméticas hasta TROPOS (Instituto Leibniz para la Investigación de la Tropósfera, Leipzig, Alemania). El equipamiento utilizado
para las mediciones de OC y EC fue el “sunset laboratory OCEC MSL Lab instrument”. Para ello se tomó una submuestra de cada filtro de 1,5cm
2, que se introdujo en el equipo. Se utilizó
el protocolo de análisis térmico óptico EUSAAR-2 (Cavalli y col., 2010) para determinar las concentraciones de OC y EC, el cual separa y cuantifica las fracciones de OC y EC de acuerdo con su volatilidad (dos Santos y col., 2016). Las mediciones fueron llevadas a cabo
utilizando análisis de transmitancia termo-óptica (TOT) (Sunset Laboratory Inc. (USA), es decir, corrección de la transmisión de la luz para la carbonización (Karanasiou y col., 2011).
Las concentraciones de salida de este equipamiento se expresan como µg/cm2, por
lo que las concentraciones en aire se obtuvieron multiplicando estas concentraciones por el área total de muestra en el filtro (11,946 cm
2) y dividido por el volumen de aire tomado para
cada muestra.
Impacto en el balance radiativo
Se calculó el cociente de carbono efectivo (ECR) para estimar el impacto en el balance radiativo de la tierra, mediante la siguiente expresión (Safai y col., 2014):
donde SOC es el carbono orgánico secundario (estimado), POC es el carbono orgánico
primario (estimado) y EC es el carbono elemental medido en las muestras. Si el cociente es mayor a 1, se interpreta que los aerosoles producen un enfriamiento de la atmósfera, mientras
que, si es menor a 1 se asume que los aerosoles calientan la atmósfera. Esto se asume de esta manera porque los aerosoles secundarios (SOC, numerador de la ecuación)
generalmente dispersan la radiación solar (Pandis y col., 1992) y contribuyen al enfriamiento atmosférico; y el denominador de la ecuación (POC+EC) representa a las especies
absorbentes que inducen el calentamiento de la atmósfera.
ECR = SOC/(POC+EC)
Estimación de carbono orgánico secundario (SOC)
La diferenciación entre el carbono orgánico primario (POC) y el carbono orgánico secundario (SOC) es indispensable para explorar los procesos de envejecimiento atmosférico de los aerosoles orgánicos y formular políticas efectivas de control de emisiones. Sin
embargo, la medición directa de SOC todavía no es factible, ya que no se conoce su composición química a nivel molecular (Wu y Yu, 2016). Se estimó la concentración de
carbono orgánico secundario (SOC) mediante la expresión:
donde OCtotal es la concentración de carbono orgánico medida, (OC/EC)min es el quinto percentilo del cociente OC/EC y EC es la concentración de carbono elemental medida (dos
Santos y col., 2016), la cual se utiliza como marcador del carbono orgánico primario co-
emitido (Wu y Yu, 2016). El POC se calculó por diferencia entre el OC y el SOC.
Validación del empleo de datos satelitales (MAIAC-AOD) para estimar concentración de aerosoles.
Datos de MODIS AOD
Los datos de profundidad óptica de aerosoles (AOD) obtenidos mediante la
corrección atmosférica de implementación de ángulos múltiples (MAIAC-AOD) fueron descargados como producto de segundo nivel de MODIS: MCD19A2 (MODIS/Terra+Aqua Land Aerosol Optical Depth Daily L26 Global 1km SIN Grid), colección 6, de la página web de
la NASA (Administración Nacional de la Aeronáutica y del Espacio, agencia de gobierno estadounidense): http://ladsweb.nascom.nasa.gov, para el período: 1-5-2018 a 20-8-2018, el
cual incluye el período de muestreo, 10 días antes y 10 días después. El mosaico descargado fue el h12v12. Los archivos .hdf fueron abiertos utilizando el lenguaje de programación libre Python 2.7 y reproyectados de proyección sinusoidal a geográfica y
convertidos a archivos .tiff mediante el software MRT (Modis Reprojection Tool). De esta manera, se obtuvo el AOT a 047µm. Cada archivo combina 3-5 datos, dependiendo de
cuántas veces pasó el sensor MODIS, tanto en las plataformas Terra y Aqua, sobre la zona de estudio.
Validación MAIAC-AOD – AERONET
Para evaluar el desempeño de los productos satelitales, se realizó una correlación lineal de Pearson entre los datos de AOD de MODIS y las mediciones de AOT (del inglés Aerosol Optical Thickness, espesor óptico de aerosoles) de AERONET (Aerosol Robotic
Network) y también se ajustó una ecuación para AOD MODIS-MAIAC utilizando como variable regresora el AOD obtenido en superficie de AERONET (Remer y col., 2005). AOD y
AOT son conceptualmente lo mismo (Della Ceca, 2018). Las estaciones AERONET están distribuidas en todo el mundo. Estudios previos para la ciudad de Córdoba (Della Ceca,
2018) emplearon la estación CETT-Córdoba, pero ya no cuenta con datos, por lo cual se utilizó la estación Pilar Córdoba AERONET (31,667 S and 63,883 O), la cual comenzó a tomar datos en 2017. Los datos de AOT de AERONET, nivel 1.5, fueron descargados de la página
web: https://aeronet.gsfc.nasa.gov/ para el período 20-04-2017 a 5-09-2018. El fotómetro de AERONET toma datos cada 15 minutos, mientras que MODIS, dependiendo del día, tiene 3-5
datos diarios según el número de órbitas que recorrió el sensor a bordo de Terra o Aqua por sobre el terreno de interés. Esta información se obtuvo de los metadatos “orbit amount” (cantidad de órbitas) y “orbit-time-stamp” (estampa de la hora de la órbita). Los datos de
AOT de AERONET fueron elegidos para minimizar las diferencias de tiempo entre ambas fuentes de información. Otra consideración a tener en cuenta la constituye la longitud de
onda. AERONET provee datos para longitudes de onda de 440, 500, 675nm y otras, pero no para 470nm (longitud de onda para la cual están disponibles los datos de MODIS). Por esto,
se calculó el AOT para esa longitud de onda utilizando una interpolación lineal log-log (Andrews y col., 2006), aplicando logaritmo en ambos términos de la siguienteecuación y ajustando una regresión lineal:
donde τ es el espesor óptico de aerosoles (AOT), λ es la longitud de onda, m es el
τ = a.λ-m
SOC = OC – (OC/EC) x EC total min
exponente de Ångström (inversamente relacionado con el tamaño de las partículas). La
ecuación resulta:
donde ln τ es la variable dependiente, ln a es la ordenada al origen, m es la pendiente y ln λ
es la variable independiente en un modelo de regresión lineal. A partir de todos los AOT para distintas longitudes de onda disponibles para AERONET, se calculó la pendiente y la ordenada al origen. Con el valor de pendiente o exponente de Ångström, se calculó el AOT (τ) en la longitud de onda necesaria (λ= 470nm):
donde τ es el AOT a 470 nm, e es el número neperiano, ln a es la ordenada al origen de la recta de regresión ajustada y m es la pendiente de la misma recta o exponente de Ångström.
Relación AOD-MODIS y concentración de PM2.5
Finalmente, el desempeño del algoritmo MAIAC para estimar la concentración de PM2.5 fue evaluada mediante regresión lineal simple (Di Rienzo y col., 2011), empleando como variable de respuesta la concentración de partículas para cada filtro (3-4 días acumulados) determinada mediante el monitoreo instrumental en superficie y como variable regresora, el dato satelital de AOD promedio obtenido mediante el algoritmo MAIAC para el período de acumulación de partículas de cada filtro y del pixel ubicado en el sitio de muestreo correspondiente.
Efectos de las variables meteorológicas sobre la concentración y composición de aerosoles.
Se utilizaron datos de 4 estaciones meteorológicas, los cuales fueron descargados
libremente de las páginas webs: https://magya.omixom.com/ y https://www.smn.gob.ar/descarga-de-datos. Parte de la información fue solicitada al Servicio
Meteorológico Nacional. Se calcularon los promedios para los períodos de colecta de muestra de las siguientes variables: temperatura (T[°C]), humedad relativa (H[%]), temperatura del
punto de rocío (TR[°C]), presión atmosférica (P[hPa]), velocidad del viento (VV[km/h]) y radiación solar (R[W/m
2]). Para las precipitaciones (PP[mm]), se utilizó el valor acumulado, y
para la dirección del viento (DV[4 cuadrantes]), se utilizó el valor más frecuente o moda. Las estaciones meteorológicas empleadas para obtener los datos de cada sitio fueron las que se encontraban más cerca.
Resultados
Concentración de aerosoles
La figura 2 muestra la concentración de PM2.5 a lo largo del período de muestreo
para los diferentes sitios, de muestras tomadas tanto en filtros de teflón como de cuarzo. El sitio 6, correspondiente a la Ciudad Universitaria, tiene un muestreo continuo a lo largo de
todo el período (línea verde). Además, se muestra el promedio para todos los sitios a lo largo del período de muestreo (línea gris) y una curva suavizada con la media móvil cada 5 días para todos los sitios de muestreo durante todo el período (línea negra discontinua). En la
gráfica se observa un incremento en la concentración de partículas hacia el final del período de muestreo.
Hubo diferencias significativas entre sitios según el análisis de la varianza no paramétrico de Kruskal Wallis y test U de Mann Whitney (p<0,05). Los sitios de mayor
concentración de partículas fueron los sitios 3, 5 y 9 (centro, Chacra y Universidad Católica, respectivamente). Para los dos primeros, los valores máximos superaron el estándar diario de la OMS de 25 µg/m
3 y sólo en la Chacra (sitio 2) se superó con ese máximo el reciente
estándar propuesto para la ciudad de Córdoba de 35 µg/m3. Los sitios con concentración de
partículas menor son el 1 y el 7 (Reserva y laboratorio privado), ambos sitios en la periferia de
la ciudad. En la figura 3 se muestra una estimación de la concentración de partículas finas (PM2.5) para la ciudad mediante el método de interpolación de distancia inversa ponderada
(IDW, del inglés Inverse Distance Weighted).
τ = e(ln a - m. ln 470)
ln τ = ln a - m. ln λ
erage 5 per. media móvil (average)
2,16 ± 0,21 (2,01 - 2,3) A
20,92 ± 11,6
(8,24 - 31) B
3,55 ± 1,57
(2,01 – 5,15)AB 23,28 ± 10,6
(15,95 – 35,44) B
13,23 ± 5,7 (3,67 – 27,23)BC
15,16 ± 4,53 (10,47 – 19,52)BC
2,81 ± 1,51
(1,11 – 4,01) A
17,95 ± 3,21
(15,68 – 20,22)B
Figura 2. Variación temporal de la concentración de PM2.5 [µg/m3] en la ciudad de
Córdoba, otoño- invierno de 2018.
La referencia de los sitios 1 a 9 se encuentran en la figura 1. Promedio: diario para todos los sitios. Media móvil (5 días): línea suavizada: promedio de 5 días para todos los sitios de muestreo.
Figura 3. Concentración de material particulado fino (PM2.5) [µg/m3] en la ciudad de
Córdoba durante el otoño-invierno de 2018 (11-05-2018 a 10/08/2018)
Las referencias de los sitios están en la figura 1. Se indican promedio ± desvío estándar
(mínimo – máximo) de la concentración de partículas finas (PM2.5) [µg/m3]. Letras diferentes
indican diferencias significativas según test U de Mann Whitney (p<0,05).
100
10
1 11/05/2018 21/05/2018 31/05/2018 10/06/2018 20/06/2018 30/06/2018 10/07/2018
1 2 3
4 5 6
7 8 9
av Promedio Media móvil (5 días)
Co
nce
ntr
ació
n d
e P
M2
.5 [
µg/
m3
]
Composición de carbono orgánico (OC) y elemental (EC)
La concentración típica de OC en la atmósfera está en el rango de 1 µg/m3 en áreas
limpias a 10 µg/m3 en áreas contaminadas, donde los picos de concentración pueden
alcanzar los 50 µg/m3 durante episodios de quema de biomasa. Según estos valores
dereferencia la ciudad de Córdoba tiene una concentración intermedia de OC. En cuanto a la concentración de EC, en áreas limpias es típicamente de 1 µg/m
3 y en áreas contaminadas
puede exceder los 5 µg/m3 (Hoffmann and Warnke 2007), Córdoba tiene la concentración de
un área limpia (tabla 1)
Tabla 1. Concentración promedio [µg/m
3] de carbono orgánico (OC), carbono elemental (EC)
y carbono total (TC) ± desviación estándar (DE) medidos en filtros de fibra de cuarzo, ciudad de Córdoba, otoño - invierno de 2018.
Sitio OC ± DE EC ± DE TC ± SD
1 5,510 ± 1,572 0,825 ± 0,296 6,335 ± 1,840
2 4,613 ± 1,878 1,014 ± 0,451 5,627 ± 2,329
3 9,670 ± 3,012 3,278 ± 1,698 12,948 ± 4,710
4 2,349 ± 1,485 0,666 ± 0,524 3,015 ± 2,005
5 4,515 0,730 13,749 ± 14,151
6
7 3,763 ± 1,641 1,136 ± 0,656 4,898 ± 2,294
8 5,930 ± 3,484 1,403 ± 0,622 7,333 ± 4,104
9 4,298 ± 2,121 1,074 ± 0,606 5,373 ± 2,701
Promedio 5,081 ± 2,170 1,266 ± 0,693 7,410 ± 4,267
n=3 para cada sitio de muestreo. En el sitio 6 no fue posible tomar muestras en filtros de fibra de cuarzo. Las referencias de los sitios están en la figura 1.
Los valores de concentración de OC y EC obtenidos para la ciudad de Córdoba en este estudio son menos de la mitad de los valores reportados para la ciudad de Córdoba en estudios previos (Lanzaco y col., 2017). La concentración de OC es mediana-baja en
comparación con otras ciudades del mundo, siendo similar a San Pablo (dos Santos, 2016), Helsinki (Viidanoja y col., 2002), Amsterdam, Barcelona (Viana y col., 2007) y Seattle, y menor
que Santiago de Chile (Villalobos y col., 2015), Milán (Lonati y col., 2007), Toronto (Fan y col., 2003), y Beijing (Feng y col., 2006). La concentración de EC es baja, menor que San Pablo, Santiago de Chile y Beijing, y similar a Milán, Helsinki, Toronto y Seattle.
Estimación de carbono orgánico secundario (SOC)
En la mayoría de los sitios, el carbono orgánico parece tener un origen primario,
particularmente en el sitio céntrico, donde %POC es del 100%. Contrariamente, para la
reserva urbana, el porcentaje fue casi igual para POC y SOC (51% vs 49%, respectivamente). Las reacciones fotoquímicas son las principales vías de formación de SOC (Kroll y Seinfeld,
2008), además de los procesos en fase acuosa (McNeill y col., 2012). Los compuestos orgánicos volátiles (COVs) en fase gaseosa (antropogénicos o biogénicos) se foto-oxidan y los productos de baja volatilidad particionan de gas a partícula (Kroll y Seinfeld, 2008).
Probablemente el área de reserva tenga mayor concentración de COVs de origen natural, lo cual resulta en mayor proporción de carbono orgánico secundario (SOC) en relación con el
primario (POC).
La figura 4 muestra la concentración de carbono orgánico secundario (SOC) [µg/m3]
estimada para la ciudad de Córdoba en el período de muestreo. Se observan mayores concentraciones en los sitios 1 (reserva), 5 (Chacra) y 8 (sitio residencial sur). Sin embargo,
esto no coincide con la proporción del carbono orgánico secundario respecto del total
49%
29%
0% 17%
13%
24% 8%
21%
(SOC/OC%), la cual también se muestra en la figura 4, y allí puede observarse un gradiente creciente de la proporción de SOC respecto el carbono orgánico, de este a noroeste.Figura 4.
Concentración de carbono orgánico secundario (SOC) [µg/m3] y proporción de SOC respecto
al carbono orgánico total (SOC/OC %) en la ciudad de Córdoba, otoño-invierno de 2018.
Las referencias de los sitios se encuentran en la figura 1. Impacto en el balance radiativo
Para todos los sitios, el ECR promedio fue inferior a 1, debido a que predominan los aerosoles primarios por sobre los secundarios (Fig.5). Esto puede interpretarse como que en todos los sitios los aerosoles tienen un efecto de calentamiento sobre la atmósfera. Los sitios
con mayor ECR fueron la reserva urbana y la chacra de la Merced, lo que supondría que en estos sitios el efecto de calentamiento de las partículas es menor. Sin embargo, el cálculo de
este cociente no ha sido lo suficientemente avalado por la bibliografía. Con la finalidad de enriquecer esta discusión se analizó la relación de la composición de aerosoles con la
temperatura y la radiación solar, entre otras variables meteorológicas.
Figura 5. Cociente de carbono efectivo (ECR, del inglés “effective carbon ratio”) en
Córdoba, otoño- invierno 2018.
Las referencias de los sitios se encuentran en la figura 1.
ajust
AB
BC AB AB
BC AB
AB
A
C
Validación del empleo de datos satelitales (MAIAC-AOD) para estimar concentración de aerosoles.
Datos de MODIS AOD
No hubo diferencias significativas entre los AOD promedio para sitios, empleando los
días de muestreo en cada lugar. Debido a que el n fue bajo para cada sitio, se compararon los AOD para cada sitio para todo el período de muestreo y de esa manera se observaron
diferencias significativas entre ellos. El sitio 9 (Universidad Católica) mostró mayores valores de AOD, seguido del sitio 2 (residencial oeste) y 6 (Ciudad universitaria). El sitio 7 (laboratorio
privado, sitio de alto tránsito) tuvo menor AOD (Fig. 6).
Figura 6. Variación espacial en el AOD promedio (MODIS-MAIAC, 470 nm) en la ciudad de
Córdoba, otoño-invierno de 2018.
Las referencias de los sitios se encuentran en la figura 1. Letras diferentes indican
diferencias estadísticamente significativas (p<0,01)
Validación MAIAC-AOD – AERONET
El AOD medido en superficie (AERONET) se utilizó como variable regresora para explicar el AOD obtenido mediante el algortimo MAIAC de recuperación de aerosoles a partir
del sensor MODIS, plataformas Terra y Aqua. El modelo de regresión lineal resultó: AODMODIS-
MAIAC = 0,63*AOD AERONET + 0,05, con un R2=0,41. Este resultado fue similar al obtenido en
Della Ceca (2018), quien empleo el sitio CETT de AERONET, actualmente no disponible.
Relación AOD-MODIS y concentración de PM2.5
No se obtuvo una relación significativa como resultado de la regresión lineal entre PM2.5 (variable dependiente) y el AOD (variable independiente).
Della Ceca (2018), quien trabajó con datos para la ciudad de Córdoba, obtuvo un
ajuste lineal para PM10 con un R2 de 0,26 y p<0,01. La ecuación resultó PM10 =
106,65 *
AOD + 18,85µg/m3, y el AOD tuvo valores menores para invierno, indicando que las partículas
también tendrían menor concentración en esa estación. Sin embargo, se sabe que para la ciudad de Córdoba la concentración de partículas es mayor en el invierno (López, 2011; Amarillo, 2016). La incorporación de variables meteorológicas en un modelo de regresión múltiple no aumentó la capacidad predictiva del modelo. Puede suceder que no haya una relación entre la concentración de partículas y el AOD, tal como se describe en Ma y col., 2016.
Es lógico pensar que estas variables estén correlacionadas ya que están conectadas
físicamente; representan parte de la materia suspendida en la atmósfera y pueden reflejar ambos la turbidez de esta hasta cierto punto. Sin embargo, hay muchos factores que
pueden debilitar la correlación entre la concentración de PM2.5 medida y la AOD satelital. Por ejemplo, PM2.5 representa principalmente la turbidez de la atmósfera cerca del suelo mientras
que el AOD mide toda la columna atmosférica que se extiende desde la superficie del suelo hasta una altitud de varios cientos de kilómetros. Además, PM2.5 representa principalmente la concentración de masa seca de partículas finas mientras que el valor de AOD incluye la
influencia del vapor de agua y las partículas gruesas. Aparte de esto, en esencia, el valor de PM2.5 representa la concentración en masa, mientras que el valor AOD representa la
capacidad de extinción; la conexión entre ambas puede ser fuerte o débil según la composición de PM2.5 y la variación de aerosol (Yang y col., 2018). Por último, la falta de
relación entre el AOD y PM2.5 respondería a la baja resolución temporal de los datos de concentración de material particulado, ya que éste se determinó en filtros que acumularon muestra por 3-4 días.
Con la finalidad de mejorar este estudio podría incorporarse información acerca de la distribución vertical de las partículas utilizando un lídar (por ejemplo: Calipso), mejorar la
resolución temporal del dato de concentración de PM2.5 tomando muestras horarias con muestreadores automáticos, incrementar el número de muestras y el período total de
muestreo de al menos un año. Además, la relación entre PM2.5 y AOD es mucho más compleja ya que hay otras variables que participan, como las variables meteorológicas, el uso de la tierra, etc
Efectos de las variables meteorológicas sobre la concentración y composición de aerosoles y AOD.
Para la ciudad durante el período de muestreo, se registró una temperatura de 9,90 ± 6,80 (-4,6 a 30,1°C); humedad relativa 64,67 ± 24,43 (9-100%); temperatura de rocío 2,23 ±
5,64 (-12,10-17,40°C); presión atmosférica 968,28 ± 7,14 (946,90 – 984,40 hPa); irradiancia
135,39 ± 195,17 (0-803,40 W/m2); precipitaciones acumuladas para el periodo: 0,2 mm;
vientos predominantes del SO, NE, E y S. Se encontró una relación positiva significativa entre la concentración de carbono
elemental y la radiación solar (ρ = 0,41) y una relación negativa entre la concentración de
PM2.5 y el punto de rocío (ρ = -0,38), y PM2.5 y la humedad relativa (ρ = -0,416) (Fig.7). Se utilizaron valores diarios de PM2.5 correspondientes a los distintos sitios y para
completar la información en fechas faltantes, se empleó una media móvil cada 9 días, con los datos de todos los sitios disponibles.
El EC contribuye al calentamiento radiativo de la atmósfera (IPCC, 2001, Jacobson, 2001), por lo cual tendría sentido una relación positiva entre EC y la radiación solar. Sin embargo, una correlación no es una relación causal. El ajuste de una regresión lineal entre ambas variables no es significativo.
Respecto a la relación con la humedad relativa, cuando ésta es baja la concentración de PM2.5 aumenta debido al crecimiento higroscópico (Liu y col., 2011). Cuando la humedad es lo suficientemente alta, las partículas crecen demasiado para permanecer en el aire, y
entonces ocurre la deposición seca de las partículas hacia el suelo, de manera que se reduce el número de partículas y disminuye su concentración. En los períodos fríos una alta humedad
relativa está frecuentemente asociada a eventos de niebla (Liu y col., 2015) y las partículas son removidas de la atmósfera por un fenómeno de deposición húmeda. Coincidente con la
bibliografía, la relación entre la H y PM2.5 es negativa, a mayor humedad, menor concentración de partículas, ya que aumenta la deposición atmosférica.
A diferencia de los resultados de Hawkins y Holland (2010), quienes encontraron una
relación positiva entre la temperatura de rocío y las partículas, en este estudio se encontró una relación negativa. La temperatura del punto de rocío es una variable que combina la
humedad relativa y la temperatura. La falta de relación de PM2.5 con la temperatura quizás responde al hecho de que no hubo una variación de T en el período de muestreo, como sí la
hay cuando se considera, por ejemplo, todo un año de muestreo. Sin embargo, las variaciones en las condiciones de humedad sí estuvieron asociadas a cambios en la concentración de PM2.5. Como H está asociada a TR, entonces esta última también se asocia
a PM2.5 de la misma manera. La asociación negativa entre TR y PM2.5 sucede así. porque en todas las muestras la temperatura ambiente diaria (T) fue mayor que TR. Cuando la
temperatura (T) es menor que la temperatura de rocío (TR), aumenta la concentración de
partículas en la atmósfera mientras que cuando T es mayor que TR, las partículas precipitan permaneciendo una parte en la atmósfera por evaporación de las partículas finas (Szep y col.,
2016)
Figura 7. Variación diaria de la concentración de PM2.5, humedad relativa (H) y temperatura
de rocío (TR) para la ciudad de Córdoba, otoño-invierno de 2018.
Para probar la relación con la dirección del viento (variable categórica) se realizó un
análisis de la varianza no paramétrico comparando la concentración de PM2.5 entre 3 direcciones del viento, esto es, se observó que los vientos para el período de muestreo provenían de 3 direcciones posibles, a las cuales se las clasificó como cuadrantes: I entre 0 y
90°, II entre 90 y 180° y III entre 180 y 270°C. Se encontró diferencia significativa en la concentración de EC según dirección del viento, siendo significativamente menor su
concentración cuando el viento proviene del cuadrante III (0,77 ± 0,63 µg/m3) (p <0,1),
respecto a los cuadrantes I y II (1,15 ± 0,55 µg/m3 y 1,73 ± 1,25 µg/m
3, respectivamente).
Cuando se comparó la concentración de PM2.5 en función de la dirección del viento, no se encontraron diferencias significativas.
El hecho de que EC haya mostrado diferencias según la dirección del viento, podría
explicarse porque los sitios de muestreo se localizan principalmente en el sector centro – suroeste de la ciudad. Si el viento proviene del noreste, las masas de aire tienen una
trayectoria mayor por sobre la ciudad hasta ser muestreadas. En cambio, si el viento proviene del suroeste, atraviesa mucho menor distancia de ciudad hasta llegar a los
muestreadores. Como EC es un marcador de emisiones diesel, tiene sentido que la concentración sea menor cuando las masas de aire atraviesan menos distancia de ciudad hasta ser muestreadas. De todas maneras, sería necesario aumentar el número de muestras
para poder concluir mejor al respecto. También se probó la correlación entre el AOD de MODIS-MAIAC con las variables
meteorológicas. Se obtuvo una relación negativa con la temperatura del punto de rocío (TR) (ρ= -0,49) y positiva con la presión atmosférica (P) (ρ= 0,66).
La temperatura de rocío contempla dos variables: la humedad relativa y la
temperatura. Con estas dos últimas variables el AOD no mostró relación estadísticamente significativa, aunque con la temperatura el valor de p fue de 0,13 y el coeficiente de correlación ρ de -0,34, por lo que un n mayor podría haber resultado en una relación
significativa con la temperatura; la humedad por el contrario tuvo un coeficiente muy bajo (ρ=0,09) y un p muy alto (p= 0,69). Por lo que la asociación entre el AOD y la temperatura del
punto de rocío se debería a la relación con la temperatura. Otros trabajos han reportado
una relación negativa entre la temperatura y el AOD, un forzamiento negativo de los aerosoles
en las temperaturas de la superficie, durante el período invernal (Roy, 2008)
100
80
60
40
PM2.5[µg/m3]
H[%]
TR[°C] 20
0
-20
12
/05
/20
18
22
/05
/20
18
01
/06
/20
18
11
/06
/20
18
21
/06
/20
18
01
/07
/20
18
11
/07
/20
18
21
/07
/20
18
31
/07
/20
18
10
/08/2
01
8
La relación positiva entre el AOD y la presión atmosférica puede deberse a que las masas de aire de alta presión propician una inversión térmica prolongada durante varios días
resultando en una concentración de los contaminantes en la superficie (Alfaro y col., 2008). Cuando la presión es baja, la movilidad de las partículas es mayor, resultando en una menor concentración de las mismas. Quizás no hubo una relación positiva entre PM2.5 y la presión
(sólo entre el AOD y la presión) por la baja resolución temporal en el dato de partículas. Kumar y col., 2008 encontraron una relación positiva de PM2.5 con la presión empleando datos
horarios de concentración de partículas en un modelo de regresión múltiple en donde también el AOD fue una variable significativa retenida en el modelo con un coeficiente de
regresión positivo. La elaboración de un modelo de regresión múltiple para explicar la concentración de partículas en función de las variables meteorológicas y el AOD sería lo óptimo. De hecho, se probaron diferentes modelos de regresión múltiple pero la
autocorrelación temporal entre las muestras y el bajo número de las mismas resultó en cero variables retenidas en los modelos.
Conclusiones
La concentración de PM2.5 en la ciudad de Córdoba mostró variabilidad espacial con mayores valores en el centro, en el sector industrial de Chacra de la Merced y en la Universidad Católica, superándose en los dos primeros sitios el estándar de la OMS. Considerando que fueron pocas las muestras, que se haya superado en 2 oportunidades los valores guía, alerta sobre la alta concentración de partículas finas en la ciudad, al menos en esos sectores. Las partículas finas se asociaron negativamente con la humedad y la temperatura de rocío, indicando procesos de deposición.
En promedio para la ciudad, la concentración de carbono elemental (EC) fue baja respecto a otras ciudades del mundo, mientras que la de carbono orgánico fue intermedia.
No hubo una variación espacial significativa en la composición de OC y EC, aunque se obtuvieron concentraciones mayores en el centro. En todos los sitios el porcentaje de carbono orgánico primario (COP) fue mayor que el carbono orgánico secundario (SOC). Respecto EC,
de origen primario, cuando el viento provino del suroeste, su concentración para los distintos sitios fue menor, probablemente porque las masas de aire atraviesan menores distancias
urbanas hasta llegar a los muestreadores ya que los sitios de muestreo se concentran hacia el suroeste de la ciudad. Además, EC se correlacionó positivamente con la radiación solar,
lo cual, aunque no indica una relación causal, junto con el resultado de ECR, se puede pensar que la composición carbonácea de las partículas finas en la ciudad de Córdoba tiene un efecto radiativo de calentamiento de la atmósfera, convirtiéndose PM2.5 en un
contaminante importante para ser controlado, no solo por sus efectos adversos en la salud humana, sino también por sus posibles efectos en el clima regional.
La profundidad óptica de aerosoles (AOD) obtenida mediante el algoritmo de recuperación MAIAC del sensor MODIS fue validado exitosamente con los datos de
fotómetros solares de AERONET en superficie (estación Pilar Córdoba). El AOD mostró variabilidad espacial en la ciudad, con mayores valores en Universidad Católica y el sitio residencial oeste, y menor valor en un sitio sur de alto tránsito. El AOD se relacionó
positivamente con la presión atmosférica y negativamente con el punto de rocío, indicando que a alta presión atmosférica habría una baja circulación de aerosoles, los cuales se
concentran a nivel superficial y se asociarían con una disminución en la temperatura a la cual condensa la humedad ambiente. No se encontró, sin embargo, una relación significativa entre el AOD y la concentración de PM2.5, probablemente debido al bajo número de
muestras y la baja resolución temporal en el dato de partículas, por lo cual no puede aun utilizarse el dato de AOD como estimador de la concentración de PM2.5 a nivel superficial.
Para continuar este estudio y poder modelar la concentración y composición de partículas empleando información satelital, se propone agregar al modelo variables vinculadas al uso
de la tierra e información sobre la distribución vertical de las partículas.
Agradecimientos
Los autores agradecen a la lic. Elena Ruiz Donoso (Instituto de Meteorología de Leipzig,
Universidad de Leipzig), por su ayuda en programación; a Anke Rödger, la Dra. Manuela van Pinxteren y el Dr. Dominik Van Pinxteren (Instittuto Leibniz para Investigación de la Tropósfera
(TROPOS)), por su cooperación en la determinación química e interpretación de resultados; al
Fondo para la Investigación Científica y Tecnológica (FONCyT PICT-2016-3774, responsable: Dra. Hebe Carreras) por el financiamiento; y a todas las personas que nos permitieron colocar
los muestreadores en sus viviendas o instituciones.
Bibliografía
Alfaro, B., Limón R., Martínez T., Ramos, G., Reyes, A. y Tijerina, M. 2008. Ciencias del ambiente. Ed.
Patria. 363 pp. México.
Amarillo, A. C. 2016.Tesis doctoral. FCEFyN, UNC.
Andrews, E., Sheridan, P. J., Fiebig, M., McComiskey, A., Ogren, J. A., Arnott, P., Covert, D., Elleman,
R., Gasparini, R., Collins, D., Jonsson, H., Schmid, B. & Jonsson, H. 2006. J GEOPHYS RES-
ATMOS, 111(D5). Buseck PR, Schwartz SE. 2003. In Treatise on Geochemistry, ed. KK Turekian, HD, Holland, pp. 91–
142. New York: Elsevier Science Ltd.
Cavalli, F., Viana, M., Yttri, K. E., Genberg, J., & Putaud, J. P. 2010. Toward a standardised thermal-
optical protocol for measuring atmospheric organic and elemental carbon: the EUSAAR protocol.
Chu, D. A., Kaufman, Y. J., Zibordi, G., Chern, J. D., Mao, J., Li, C., & Holben, B. N. 2003. J
GEOPHYS RES-ATMOS, 108(D21).
Chudnovsky, A., Kostinski, A., Lyapustin, A., Koutrakis, P. 2012. ENVIRON POLLUT 172,131-138.
Córdoba. Una ciudad en cifras. 2017. Guía estadística de la ciudad de Córdoba.
Municipalidad de Córdoba. Disponible en:
https://gobiernoabierto.cordoba.gob.ar/media/datos/GUIA_C%C3%B3rdoba_una_ciudad
_en_cifras_2017.pdf
Della Ceca, L. 2018. Tesis de Maestría en aplicaciones espaciales de alerta y respuesta temprana
a emergencias. UNC.
dos Santos, D. A. M., Brito, J. F., Godoy, J. M., & Artaxo, P. (2016). ATMOS ENVIRON, 144, 226-233.
Engel-Cox, J.A, Hoff, R.M, Rogers, R., Dimmick, F., Rush, A.C, JSzykman, J.J, Al-Saadi, J, Chu, D.A,
Zell, E.R. 2006. ATMOS ENVIRON, 40 (40), 8056-8067.
Fan, X., Brook, J. R., & Mabury, S. A. 2003. ENVIRON SCI TECHNOL, 37(14), 3145-3151. Feng, J., Chan, C. K., Fang, M., Hu, M., He, L., & Tang, X. (2006). Characteristics of organic matter in
PM2. 5 in Shanghai. Chemosphere, 64(8), 1393-1400.
Gupta, P., Sundar, A.C., Wang, J., Gehrig, R.,Lee, Y.,Kumar, N. 2006. ATMOS ENVIRON, 40, 5880–
5892.
Hawkins, T. W., & Holland, L. A. 2010. Middle States Geographer, 43, 72-84.
Hoffmann and Warnke. 2007. Volatile organic compounds in the atmosphere. Organic Aerosols: 342-387.
Hutchison, K.D., Smith, S., Faruqui, S.J., 2005. ATMOS ENVIRON.39,7190–7203. IPCC, 2001 IPCC (Inter-Governmental Panel on Climate Change). 2001. Third assessment report
climate change 2001: The scientific basis Cambridge University Press, Cambridge.
Jacobson, M. Z. 2001. NATURE, 409(6821), 695.
Karanasiou, A., Diapouli, E., Cavalli, F., Eleftheriadis, K., Viana, M., Alastuey, A., Querol, X, & Reche, C. 2011. ATMOS MEAS TECH, 4(11), 2409-2419.
King, M.D., Y. Kaufman, W. Menzel and D. Tanré, 2006. IEEE TRANS GEOSC REMOTE SENS, 30, 2-
27.
Kroll, J. H., & Seinfeld, J. H. 2008. ATMOS ENVIRON, 42(16), 3593-3624. Kumar, N.,
Chu, A., & Foster, A. 2008. INT J REMOTE SENS, 29(12), 3383-3405.
Lanzaco, B. L., Olcese, L. E., Querol, X., & Toselli, B. M. 2017. ATMOS ENVIRON, 171, 49- 58. Lewtas, J., Pang, Y., Booth, D., Reimer, S., Eatough, D. J., & Gundel, L. A. 2001. AEROSOL SCI TECH,
34(1), 9-22.
Liu, P. F., Zhao, C. S., Göbel, T., Hallbauer, E., Nowak, A., Ran, L., Xu, W.Y., Deng. Z.Z., Ma, N., Mildenberger, K., Henning, S., Stratmann, F. & Wiedensohler, A. & Henning, S. 2011. ATMOS CHEM PHYS, 11(7), 3479-3494.
Liu, Z., Hu, B., Wang, L., Wu, F., Gao, W., & Wang, Y. 2015. ENVIRON SCI POLLUT R, 22(1), 627-642.
Lonati, G., Ozgen, S., & Giugliano, M. 2007. ATMOS ENVIRON, 41(22), 4599-4610. López, M. L., Ceppi, S., Palancar, G. G., Olcese, L. E., Tirao, G., & Toselli, B. M. 2011.
ATMOS ENVIRON, 45, 5450-5457. Ma, X., Wang, J., Yu, F., Jia, H., & Hu, Y. 2016. ATMOS RES, 181, 250-256.
Mateos, A. C. 2016. Tesis doctoral. FCEFyN, UNC.
McNeill, V. F., Woo, J. L., Kim, D. D., Schwier, A. N., Wannell, N. J., Sumner, A. J., & Barakat, J. M.
2012. ENVIRON SCI TECHNOL, 46(15), 8075-8081.
Pachauri, R. K. R. 2008. Cambio climático 2007 informe de síntesis.
Pandis, S. N., Harley, R. H., Cass, G. R., and Seinfeld, J. H. 1992. ATMOS ENVIRON 26A, 2269-2282.
Papadimas, C., Hatzianastassiou, N., Matsoukas, C., Kanakidou, M., Mihalopoulos, N. & Vardavas, I., 2012. ATMOS CHEM. PHYS, 12, 7165-7185.
Pio, C., Cerqueira, M., Harrison, R.M., Nunes, T., Mirante, F., Alves, C., Oliveira, C., Sanchez de la Campa, A., Artíñano, B., Matos, M., 2011. Atmos. Environ. 45, 6121– 6132.
Pope, C. A., Ezzati, M., and Dockery, D. W., 2009. F NEW ENGL J MED, 360: 376–386.
Putaud J.P., Raes, F., Van Dingenen, R., Brüggemann, E., Facchini, M.C., Decesari, S., Fuzzi, S., Gehrig, R., Hüglin C. and Laj P., 2004. ATMOS ENVIRON 38(16): 2579-2595.
Ramanathan, V., Ramana, M.V., Roberts, G., Kim, D., Corrigan, C., Chung, C., Winker, D.,2007. NAT. GEOSCI. 448, 575–578.
Remer, L. A, Kaufman, Y. J., Tanré, D., Mattoo, S., Chu, D. A., Martins, J. V., Li, R., Ichoku, C., Levy, R.C., Kleidman, R.G., Eck, T.F., Vermote, E., Holben, B.N. 2005. J ATMOS SCI –
Special Section, 62, 947-973.
Roy, S. S. 2008. INT J REMOTE SENS, 29(3), 727-740.
Saarikoski, S., Timonen, H., Saarnio, K., Aurela, M., Jarvi, L., Keronen, P., Kerminen, V.M., Hilmo, R., 2008. ATMOS. CHEM. PHYS. 8, 6281–6295.
Safai, P. D., Raju, M. P., Rao, P. S. P., & Pandithurai, G. 2014. ATMOS ENVIRON, 92, 493- 500. Szep, R., Keresztes, R., Korodi, A., Tonk, S., Niculae, A. G., & Birloiu, A. M. 2016. REV CHIM-
BUCHAREST, 67(10), 1914-1921.
Viana, M., Maenhaut, W., Ten Brink, H. M., Chi, X., Weijers, E., Querol, X., Alastuey, A., Mikuška, P & Večeřa, Z. 2007. ATMOS ENVIRON, 41(28), 5972-5983.
Viidanoja, J., Sillanpää, M., Laakia, J., Kerminen, V. M., Hillamo, R., Aarnio, P., & Koskentalo, T. 2002. Organic and black carbon in PM2. 5 and PM10: 1 year of data from an urban site in Helsinki,
Finland. ATMOS ENVIRON, 36(19), 3183-3193. Villalobos, A. M., Barraza, F., Jorquera, H., & Schauer, J. J. 2015. SCI TOTAL ENVIRON, 512,
133-142.
Wu, C., & Yu, J. Z. 2016. ATMOS CHEM PHYS, 16(8), 5453-5465. Yang, Q., Yuan, Q., Yue, L., Li, T., Shen, H., & Zhang, L. 2018. arXiv preprint arXiv:1808.05729.
Zárate, E. 2007. Tesis doctoral 3768, École Polytechnique Fédérale de Lausanne (EPFL), Lausanne.
Software:
Di Rienzo J.A., Casanoves F., Balzarini M.G., Gonzalez L., Tablada M., Robledo C.W. InfoStat versión
2017. Grupo InfoStat, FCA, Universidad Nacional de Córdoba, Argentina. URL http://www.infostat.com.ar
QGIS Development Team, 2018. QGIS Geographic Information System 2.18.13. Open Source Geospatial Foundation Project. https://qgis.org