Caracterización de las variaciones espaciotemporales del material particulado PM2,5 en tres ciudades de Colombia mediante técnicas de análisis de datos funcionales

Fabián Alberto Barrios Simanca; Víctor Hugo Morales Ospina

doi:10.18359/rfcb.8160

Fabián Alberto Barrios Simanca Universidad de Córdoba https://orcid.org/0009-0009-4867-0752
Víctor Hugo Morales Ospina Universidad de Córdoba https://orcid.org/0000-0002-6292-1345

DOI: https://doi.org/10.18359/rfcb.8160

Palabras clave: calidad del aire, PM2.5, Análisis de datos funcionales, análisis de varianza funcional

Resumen Autores/as Descargas Referencias bibliográficas Cómo citar

Resumen

La contaminación del aire supone un riesgo importante para la salud respiratoria de las personas y, además de sus consecuencias sobre la salud, tiene efectos negativos, tanto ambientales como económicos. En este estudio se trabajó con datos de concentración de PM2,5, contaminante formado por partículas suspendidas en el aire con un diámetro aerodinámico menor o igual que 2,5 micrómetros (µm). Para el análisis, se utilizaron datos históricos de la calidad del aire provenientes de estaciones de monitoreo ubicadas en Bogotá, Medellín y Cali, durante el 2023, analizados mediante técnicas de análisis de datos funcionales como el análisis de varianza funcional (F-Anova) de una vía, comparaciones múltiples de detección de curvas atípicas y mapas de calor para visualizar la distribución espacial de las concentraciones. Los resultados del F-Anova mostraron que existe evidencia de diferencias significativas entre las concentraciones promedio de PM2,5 de las tres ciudades seleccionadas (p < 0,001 . Medellín presentó los mayores niveles de concentración, con valores entre 20,65 y 77,08 µg/m³, superiores a las metas intermedias anuales recomendadas por la Organización Mundial de la Salud. Adicionalmente, la ciudad mostró una mayor variabilidad espacial y temporal en las concentraciones registradas, mientras que Bogotá y Cali, con concentraciones promedio de 15,20 µg/m³ y 13,13 µg/m³, respectivamente, no presentaron diferencias significativas entre sí. Se concluye que Medellín presenta una situación preocupante en términos de calidad del aire en comparación con otras ciudades importantes del país, así como la utilidad del análisis de datos funcionales en este contexto.

Biografía del autor/a

Víctor Hugo Morales Ospina, Universidad de Córdoba

Víctor Hugo Morales Ospina es Doctor en Ciencias-Estadística de la Universidad Nacional de Colombia y docente investigador de la Universidad de Córdoba, donde lidera procesos académicos y de investigación en el área de Estadística. Es par evaluador reconocido por Minciencias e investigador categorizado como Investigador Junior (IJ). Sus líneas de investigación incluyen control estadístico de calidad, probabilidad y análisis de datos funcionales, en las que ha dirigido múltiples trabajos de grado y publicado artículos en revistas indexadas.

Descargas

Los datos de descargas todavía no están disponibles.

Lenguajes:

Español

Biografía del autor/a

Víctor Hugo Morales Ospina, Universidad de Córdoba

Víctor Hugo Morales Ospina es Doctor en Ciencias-Estadística de la Universidad Nacional de Colombia y docente investigador de la Universidad de Córdoba, donde lidera procesos académicos y de investigación en el área de Estadística. Es par evaluador reconocido por Minciencias e investigador categorizado como Investigador Junior (IJ). Sus líneas de investigación incluyen control estadístico de calidad, probabilidad y análisis de datos funcionales, en las que ha dirigido múltiples trabajos de grado y publicado artículos en revistas indexadas.

Referencias bibliográficas

[1] Ministerio de Salud y Protección Social, Minsalud comprometido con la calidad del aire. Disponible en: https://ids.gov.co/comunicados-de-prensa/minsalud-comprometido-con-la-calidad-del-aire/, consultado: ene. 15, 2025.

[2] World Health Organization, WHO global air quality guidelines: particulate matter (PM2,5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide. Ginebra, Suiza: World Health Organization, 2021.

[3] J. M. Torres, J. P. Pérez, J. S. Val et al., “A functional data analysis approach for the detection of air pollution episodes and outliers: a case study in Dublin, Ireland”, Mathematics, vol. 8, n.º 2, p. 225, feb. 2020. https://doi.org/10.3390/math8020225

[4] S. S. Shetty, D. Deepthi, S. Sonkusare et al., “Environmental pollutants and their effects on human health”, Heliyon, vol. 9, n.º 9, p. e19496, ago. 25, 2023. https://doi.org/10.1016/j.heliyon.2023.e19496

[5] H. L. Brumberg, C. J. Karr, A. Bole et al., Council on Environmental Health, “Ambient air pollution: health hazards to children”, Pediatrics, vol. 147, n.º 6, p. e2021051484, jun. 2021. https://doi.org/10.1542/peds.2021-051484

[6] J. G. Lu, “Air pollution: a systematic review of its psychological, economic, and social effects”, Curr. Opin. Psychol., vol. 32, pp. 52-65, abr. 2020. https://doi.org/10.1016/j.copsyc.2019.06.002

[7] F. O. Ajibade, B. Adelodun, K. H. Lasisi et al., “Environmental pollution and their socioeconomic impacts”, en Microbe mediated remediation of environmental contaminants, A. Kumar, V. K. Singh, P. Singh y V. K. Mishra (eds.). Cambridge, UK: Woodhead Publishing, 2021, cap. 25, pp. 321-354.

[8] P. Giridhar y S. R. K. Neeraja, “Air pollution a major health hazard in future”, Asian J. Pharm. Res. Dev., vol. 8, n.º 3, pp. 118-121, 2020. https://doi.org/10.22270/ajprd.v8i3.729

[9] P. Ukaogo, U. Ewuzie y C. V. Onwuka, “Environmental pollution: causes, effects, and the remedies”, en Microorganisms for sustainable environment and health, 2020.

[10] D. Singh, M. Dahiya, R. Kumar et al., “Sensors and systems for air quality assessment monitoring and management: a review”, J. Environ. Manage., vol. 289, p. 112510, jul. 1.º, 2021. https://doi.org/10.1016/j.jenvman.2021.112510

[11] U. Rahardja, Q. Aini, D. Manongga et al., “Implementation of tensor flow in air quality monitoring based on artificial intelligence”, Int. J. Artif. Intell. Res., vol. 6, n.º 1, 2023.

[12] J. Ma, Z. Li, J. C. P. Cheng et al., “Air quality prediction at new stations using spatially transferred bi-directional long short-term memory network”, Sci. Total Environ., vol. 705, p. 135771, feb. 25, 2020. https://doi.org/10.1016/j.scitotenv.2019.135771

[13] C. Wen, S. Liu, X. Yao et al., “A novel spatiotemporal convolutional long short-term neural network for air pollution prediction”, Sci. Total Environ., vol. 654, pp. 1091-1099, mar. 1.º, 2019. https://doi.org/10.1016/j.scitotenv.2018.11.041

[14] H. Liu, G. Yan, Z. Duan et al., “Intelligent modeling strategies for forecasting air quality time series: a review”, Appl. Soft Comput., vol. 102, p. 106957, 2021. https://doi.org/10.1016/j.asoc.2020.106957

[15] L. A. Rodriguez-Villamizar, Y. Rojas, S. Grisales et al., “Intra-urban variability of long-term exposure to PM2,5 and NO2 in five cities in Colombia”, Environ. Sci. Pollut. Res. Int., vol. 31, n.º 2, pp. 3207-3221, ene. 2024. https://doi.org/10.1007/s11356-023-31295-2

[16] M. A. Correa-Ochoa, M. Gómez-Marín, K. V. Patiño-López et al., “Characteristic chemical profile of particulate matter (PM2,5): a comparative study between two periods, a case study in Medellín, Colombia”, Sustainability (Basel), vol. 17, n.º 12, p. 5380, jun. 2025. https://doi.org/10.3390/su17125380

[17] J. G. Piñeros-Jiménez, S. C. Grisales-Vargas, S. Mejía-Osorio et al., “Evaluación de la exposición de largo plazo al material particulado fino (PM2,5) en el estudio de la cohorte Medellín”, Rev. Fac. Nac. Salud Pública, vol. 43, p. e357114, mar. 2025. https://doi.org/10.17533/udea.rfnsp.e357114

[18] X. Rigueira, M. Araújo, J. Martínez et al., “Functional data analysis for the detection of outliers and study of the effects of the COVID-19 pandemic on air quality: a case study in Gijón, Spain”, Mathematics, vol. 10, n.º 14, p. 374, 2022. https://doi.org/10.3390/math10030374

[19] C. Acal, A. M. Aguilera, A. Sarra et al., “Functional Anova approaches for detecting changes in air pollution during the COVID-19 pandemic”, Stoch. Environ. Res. Risk Assess., vol. 36, pp. 1083-1101, 2021. Disponible en: https://api.semanticscholar.org/CorpusID:237271976

[20] L. A. Guzman, D. Oviedo y J. P. Bocarejo, “City profile: the Bogotá metropolitan area that never was”, Cities, vol. 60, pp. 202-215, 2017. Disponible en: https://www.sciencedirect.com/science/article/pii/S0264275116305339

[21] CAF - Banco de Desarrollo de América Latina y el Caribe, Bogotá - Observatorio de Movilidad Urbana. Disponible en: https://www.caf.com/es/areas-de-accion/observatorio-de-movilidad-urbana/ciudades/bogota/, consultado: abr. 22, 2025.

[22] Secretaría Distrital de Ambiente, Estaciones de la Red de Monitoreo de Calidad del Aire de Bogotá (RMCAB). Disponible en: https://ambientebogota.gov.co/estaciones-rmcab, consultado: abr. 22, 2025.

[23] Alcaldía de Medellín, Medellín: información poblacional, Plan de Ordenamiento Territorial. Disponible en: https://www.medellin.gov.co/POT/medellinPoblacion.pdf, consultado: may. 12, 2025.

[24] Consejo Privado de Competitividad, “Índice de Competitividad de Ciudades”. Disponible en: https://compite.com.co/indice-de-competitividad-de-ciudades/, consultado: may. 12, 2025.

[25] Alcaldía de Santiago de Cali, “Así es la historia de nuestra amada Cali”. Disponible en: https://www.cali.gov.co/gobierno/publicaciones/1335/asi-es-la-historia-de-nuestra-amada-cali/, consultado: may. 12, 2025.

[26] Secretaría Distrital de Ambiente de Bogotá, “Estaciones RMCAB”. Disponible en: https://ambientebogota.gov.co/estacionesrmcab, consultado: may. 13, 2025.

[27] Departamento Administrativo de Gestión del Medio Ambiente (Dagma), “Sistema de Vigilancia de Calidad del Aire de Cali (SVCAC)”. Disponible en: https://www.cali.gov.co/dagma/publicaciones/38365/sistema-de-vigilancia-de-calidad-del-aire-de-cali-svcac/, consultado: may. 13, 2025.

[28] Instituto de Hidrología, Meteorología y Estudios Ambientales (Ideam), Subsistema de Información sobre Calidad del Aire (Sisaire). Disponible en: http://sisaire.ideam.gov.co/ideam-sisaire-web/calidad_aire_estaciones.xhtml?tipo=mun&id=05001, consultado: jun. 5, 2026.

[29] S. van Buuren y K. Groothuis-Oudshoorn, “Mice: multivariate imputation by chained equations in R”, J. Stat. Softw., vol. 45, n.º 3, pp. 1-67, dic. 2011. https://doi.org/10.18637/jss.v045.i03

[30] R Core Team, R: a language and environment for statistical computing. Viena, Austria: R Foundation for Statistical Computing, 2018. Disponible en: https://www.R-project.org/

[31] F. Ferraty y P. Vieu, Nonparametric functional data analysis: theory and practice, vol. 51. Nueva York, EE. UU.: Springer, 2006.

[32] P. Kokoszka y M. Reimherr, Inference for functional data with applications (Chapman & Hall/CRC Texts in Statistical Science). Boca Raton, FL, EE. UU.: Chapman & Hall/CRC, 2017.

[33] L. Horváth y P. Kokoszka, Introduction to functional data analysis. Nueva York, EE. UU.: Springer-Verlag, 2012.

[34] J. O. Ramsay, G. Hooker y S. Graves, Functional data analysis with R and MATLAB. Nueva York, EE. UU.: Springer, 2009.

[35] J. O. Ramsay y B. W. Silverman, Functional data analysis (Springer Series in Statistics). Nueva York, EE. UU.: Springer, 2005. Disponible en: https://books.google.com.co/books?id=mU3dop5wY_4C

[36] J.-T. Zhang, Analysis of variance for functional data. Boca Raton, FL, EE. UU.: Chapman & Hall/CRC, 2013.

[37] A. Cuevas, M. Febrero y R. Fraiman, “An Anova test for functional data”, Comput. Stat. Data Anal., vol. 47, n.º 1, pp. 111-122, 2004. https://doi.org/10.1016/j.csda.2003.10.021

[38] J. J. Faraway, “Regression analysis for a functional response”, Technometrics, vol. 39, n.º 3, pp. 254-261, 1997. https://doi.org/10.1080/00401706.1997.10485118

[39] J.-T. Zhang y J. Chen, “Statistical inferences for functional data”, Ann. Stat., vol. 35, n.º 3, jul. 2007. https://doi.org/10.1214/009053606000001505

[40] Q. Shen y J. Faraway, “An F test for linear models with functional responses”, Stat. Sin., vol. 14, n.º 4, pp. 1239-1257, 2004.

[41] J.-T. Zhang, “Statistical inferences for linear models with functional responses”, Stat. Sin., vol. 21, n.º 3, pp. 1431-1451, 2011. https://doi.org/10.5705/ss.2009.302

[42] J.-T. Zhang y X. Liang, “One-way Anova for functional data via globalizing the pointwise F-test”, Scand. J. Stat., vol. 41, n.º 1, pp. 51-71, 2014. https://doi.org/10.1111/sjos.12025

[43] J.-T. Zhang, M.-Y. Cheng, C.-J. Tseng et al., “A new test for one-way Anova with functional data and application to ischemic heart screening”, arXiv, sep. 2013. Disponible en: https://arxiv.org/abs/1309.7376

[44] T. Górecki y Ł. Smaga, “A comparison of tests for the one-way Anova problem for functional data”, Comput. Stat., vol. 30, n.º 4, pp. 987-1010, 2015. https://doi.org/10.1007/s00180-015-0555-7

[45] T. Mrkvička, M. Myllymäki, M. Jílek et al., “A one-way Anova test for functional data with graphical interpretation”, Kybernetika, pp. 432-458, jul. 2020. https://doi.org/10.14736/kyb-2020-3-0432

[46] M. Myllymäki, T. Mrkvička, P. Grabarnik et al., “Global envelope tests for spatial processes”, J. R. Stat. Soc. Series B Stat. Methodol., vol. 79, n.º 2, pp. 381-404, mar. 2016. https://doi.org/10.1111/rssb.12172

[47] J. Martínez, Á. Saavedra, P. García-Nieto et al., “Air quality parameters outliers detection using functional data analysis in the Langreo urban area (Northern Spain)”, Appl. Math. Comput., vol. 241, pp. 1-10, 2014. https://doi.org/10.1016/j.amc.2014.05.004

[48] S. López-Pintado y J. Romo, “On the concept of depth for functional data”, J. Am. Stat. Assoc., vol. 104, n.º 486, pp. 718-734, 2009. https://doi.org/10.1198/jasa.2009.0108

[49] Alcaldía de Medellín, Aire en el Valle de Aburrá. Disponible en: https://www.medellin.gov.co/es/secretaria-medio-ambiente/calidad-del-aire/aire-en-el-valle-de-aburra/, consultado: jun. 5, 2026.

[50] J. F. Mendez-Espinosa, N. Y. Rojas, J. Vargas et al., “Air quality variations in Northern South America during the COVID-19 lockdown”, Sci. Total Environ., vol. 749, p. 141621, dic. 20, 2020. https://doi.org/10.1016/j.scitotenv.2020.141621

Cómo citar

Barrios Simanca, F. A., & Morales Ospina, V. H. (2026). Caracterización de las variaciones espaciotemporales del material particulado PM2,5 en tres ciudades de Colombia mediante técnicas de análisis de datos funcionales. Revista Facultad De Ciencias Básicas, 20(1). https://doi.org/10.18359/rfcb.8160