EXPLORACIÓN DE LA CONTAMINACIÓN DEL AIRE POR PARTÍCULAS EN MADRID MEDIANTE IMÁGENES MODIS Y DATOS TERRESTRES

Antonio Moreno Jiménez1, Rosa Cañada Torrecilla2 y David Méndez Arranz3

1Departamento de Geografía, Universidad Autónoma de Madrid, Antonio.moreno@uam.es2Departamento de Geografía, Universidad Autónoma de Madrid, Rosa.canada@uam.es3Departamento de Geografía, Universidad Autónoma de Madrid, David.mendeza@uam.es

RESUMEN

La indagación sobre la polución de la atmósfera, tradicionalmente basada en mediciones de estaciones terrestres, está divisando un escenario nuevo merced a productos de teledetección que estiman la presencia de ciertos contaminantes en el aire. En línea con las incursiones de algunos autores, en este trabajo se pretende llevar a cabo una exploración preliminar de los niveles de contaminación del aire en la región de Madrid, confrontando medidas de PM10 en superficie y de la profundidad óptica de aerosoles remotas (AOD, Aerosol Optical Depth, del sensor MODIS). A tal fin se selecciona una muestra de días pertenecientes a un tipo de tiempo caracterizado por su alta contaminación y se realiza un cotejo de ambos tipos de mediciones, recurriendo a técnicas estadísticas y cartográficas. Los resultados desvelan los paralelismos y discordancias entre ambos tipos de datos, suscitan cuestiones sobre sus determinantes y avistan sus potencialidades y limitaciones para conocer mejor la polución del aire.

Palabras clave: contaminación atmosférica; PM10; profundidad óptica de aerosoles; MODIS AOD; Madrid

ABSTRACT

Research on atmospheric pollution, traditionally based on ground records, is envisaging a new horizon due to remote sensing products that estimate the presence of some pollutants in the air. Alongside some previous studies, this work intends a preliminary exploration of air pollution levels in the Madrid Region, comparing PM10 ground measurements and Aerosol Optical Depth (AOD) remotely estimated by MODIS sensor. To this end, a sample of days representing a highly polluted weather type was selected, and both data sources were correlated using statistical and mapping techniques. The results enable to uncover the associations and differences between both sources, to quest for determinants and to envisage its potentialities and limitations for a better depiction of air pollution.

Keywords: atmospheric pollution; PM10; Aerosol Optical Depth; MODIS AOD; Madrid

1. INTRODUCCIÓN

Una de las dificultades en los estudios sobre el ambiente atmosférico proviene de que la información solo está disponible para una serie de lugares (puntos) donde se han tomado registros, bien en estaciones fijas (como las meteorológicas), bien mediante sensores móviles. La muestra resulta escasa e insuficiente, y a menudo espacialmente sesgada. Actualmente se está recogiendo información por satélite sobre componentes como, por ejemplo, los llamados aerosoles, los cuales son mezclas de partículas sólidas y líquidas suspendidas en el aire, de fuentes naturales y antrópicas. Denominados también como material particulado (PM, por sus siglas en inglés), están involucrados, tanto en procesos radiativos de la atmósfera (Levy et al., 2013), como en enfermedades cardiovasculares y respiratorias de la población, según han señalado muchos estudios (e.g. Harbula y Kopackova, 2011; Kloog et al., 2011).

A estos efectos la NASA lanzó una serie de satélites conocidos como Earth Observation System (EOS), entre los cuales se encuentran Terra y Aqua, que vuelan en órbitas polares desde 2000 y 2002, respectivamente. A bordo de ambos satélites se encuentran los sensores MODIS

1

(MODerate resolution Imaging Spectroradiometer), cuyo principal parámetro de interés aquí es el espesor óptico de aerosoles, conocido en inglés como AOD (Aerosol Optical Depth) o AOT (Aerosol Optical Thickness), que resulta de aplicar diversos algoritmos (Levy et al., 2013).

Un reto actual en ese frente radica en determinar el grado en que las medidas desde tales sensores expresan la concentración de ciertos contaminantes, rasgo éste central en la calidad del aire. Los esfuerzos se están dirigiendo a confrontar los registros desde el sensor satelital con los tradicionalmente recogidos en estaciones terrestres, de cara a establecer la relación mutua y a generar modelos de estimación de los valores superficiales (auténtico micro-ambiente humano) a partir de los remotos.

El problema resulta complejo debido a que ambas medidas: a) se obtienen mediante procedimientos distintos (muestra física de partículas vs. tratamiento algorítmico de procesos radiativos); b) se refieren a partes del ambiente distintas: la polución tomada en una estación expresa la concentración en su micro-entorno, mientras que la medida del satélite contempla la huella radiométrica de la columna de aire situada sobre una porción (píxel) de la superficie del planeta. Aunque la relación lógica entre ambas fuentes se ha constatado, está mediatizada por una importante cantidad de factores meteorológicos y antrópicos que hacen difícil precisarla cuantitativamente.

En línea con esos estudios, en este trabajo se explorarán también esas relaciones espaciales entre ambos tipos de medidas de la polución del aire, para: a) desvelar su magnitud y sentido, y b) ir avanzando en la identificación de factores o causas de las divergencias emergidas y plantear así líneas de futuras indagación. A tal fin, y en aras de considerar el contexto meteorológico de los datos usados, nuestra aproximación ha priorizado algunos criterios: a) seleccionar una muestra espacio-temporal controlada, referida a la Comunidad de Madrid, y a una racha de días con un tipo de tiempo anticiclónico bien definido y con alta contaminación del aire; b) realizar análisis desagregando por días y pasadas de los satélites, y c) considerar el efecto de las dos resoluciones (3 y 10 km) en los datos de MODIS.

2. ANTECEDENTES

De los estudios primeros de la contaminación del aire por aerosoles mediante el sensor MODIS cabe citar a Wang y Christopher (2003), quienes hallaron correlaciones positivas de 0,7 entre AOD del sensor y mediciones horarias de PM2,5 en superficie. Señalaron que la mayoría de los aerosoles se halla en la parte baja de la atmósfera, aunque observaron picos de contaminación debido a factores meteorológicos que alteraban la medición. Ante la gran incertidumbre que rodea a la relación empírica entre AOD y PM han surgido numerosos estudios con el objeto de arrojar luz sobre los factores involucrados; se ha planteado así considerar el papel de la humedad relativa, la cobertura de nubes, la velocidad del viento, la altura de la capa límite atmosférica y la temperatura (Gupta et al., 2006). Algunos autores llegan a explorar la estacionalidad (Gupta y Christopher, 2008) y las variaciones diurnas (Guo et al., 2017), como aspectos condicionantes de esos picos de contaminación.

La línea más extendida en estos estudios ha buscado fórmulas y modelos para la estimación de aerosoles en superficie. Liu et al. (2005) utilizaron la regresión múltiple, incluyendo varios factores meteorológicos y logrando correlaciones en torno a 0,7. Enfoques más complejos y con una mayor dimensión de datos, han recurrido a modelos computacionales de transporte químico (Liu et al., 2004), redes neuronales (Gupta y Christopher, 2009) y modelos de regresión de usos del suelo (Kloog et al., 2011; Nordio et al., 2013).

Aunque la mayor parte de la literatura relaciona PM2,5 con AOD, abundan también los trabajos que utilizan PM10 (Harbula y Kopackova, 2011; Nordio et al., 2013), pues a menudo es el único dato disponible. En nuestro estudio, y por esa razón, se ha debido trabajar con las PM10.

2

3. ÁMBITO DE ESTUDIO, DATOS Y MÉTODOS

3.1. Zona y el período de estudio

El ámbito de preferente interés recae en la ciudad de Madrid, por ser el más poblado, y por tanto el mayor generador de polución particulada y el más impactado. Dada la resolución de los datos satelitales y la utilidad de comprobar los posibles contrastes con espacios no urbanos, el examen se ha extendido al territorio de la Comunidad de Madrid.

El período analizado, desde el 25 hasta el 30 de junio de 2012, corresponde a una secuencia de días donde coincide un episodio de alta contaminación del aire y un tipo de tiempo similar, i.e. con cierta homogeneidad meteorológica. La configuración isobárica que desencadena este tipo de tiempo es una cresta sahariana centrada sobre la Península Ibérica, con su eje en torno a los 5º oeste, con un predominio de altas presiones en altura y bajas presiones térmicas en superficie. A la región de Madrid llegan masas de aire muy cálidas y secas, procedentes del norte de África que ocasionan polvo en suspensión y calima. Las temperaturas máximas son muy elevadas, 32,3 ºC de media, aunque las máximas diarias pueden subir a 40 ºC, y las mínimas llegan a 16 ºC de media. Se acompañan de vientos del suroeste, tanto en superficie como en altura, velocidades entre 2,8 y 2,73 m/s (brisas suaves según Beaufort), valores exiguos de humedad relativa (22,4%) y mínima cubierta nubosa (2 octas), luego alto valor de insolación (Cañada, 2017). Bajo estas condiciones se dificulta la dispersión de contaminantes.

3.2. Los datos y su obtención

Los datos de PM10 proceden de 35 estaciones de superficie, 12 del Ayuntamiento de Madrid y 23 de la Comunidad de Madrid. Su distribución espacial no es homogénea (Figura 1). Queda bien representada la parte central de la región (municipio de Madrid y limítrofes), pero es muy escaso el número de estaciones en la zona de la rampa y en la propia sierra de Madrid (NW). Ello supone una dificultad, difícil de superar, para nuestros fines. El indicador utilizado ha sido la concentración horaria coincidente o más próxima con las horas de paso de los satélites sobre la región. Para determinar las características del tiempo de estos días se ha recurrido además a variables meteorológicas de altura de la estación de radiosondeo de Madrid-Barajas. Se ha podido disponer, además, de datos de viento de algunas estaciones terrestres.

La cartografía vectorial procede del Instituto de Estadística de la Comunidad de Madrid (2015) y la ortoimagen del Instituto Geográfico Nacional (IGN), accesible a través de ArcGIS Online (ESRI).Los satélites Terra y Aqua ofrecen cobertura global diaria al encontrarse en órbitas heliosíncronas, cruzando el ecuador alrededor de las 10:30 y 13:30 UTC (Hora Universal Coordinada), respectivamente. Los sensores MODIS poseen una resolución espectral de 0,41-14,5 μm, rango dividido en 36 bandas; su ancho de barrido es de 2330 km y tienen una resolución espacial de 1 km o menos, dependiendo de la banda.

MODIS realiza segmentos de barrido de 5 minutos llamados gránulos, siendo los datos 'brutos', sin tratamiento, denominados de nivel 0 (L0). Según se organizan, calibran y geolocalizan, estas reflectancias pasan a ser de nivel 1B (L1B), sobre las cuales se utilizan técnicas para extraer información de aerosoles, sus propiedades, o incluso para correcciones atmosféricas y según el tipo de superficie. Los algoritmos principales en los que se basan los datos de nivel 2 (L2) son Dark Target (DT), para océanos y superficies con vegetación y suelo oscuro, y Deep Blue (DB), para superficies áridas y claras (Levy et al., 2013).

3

Figura 1. Localización de las estaciones de medida de la contaminación del aire, Madrid.

En este estudio se utiliza el producto de nivel 2 nombrado MxD04 (MOD para Terra y MYD para Aqua), relacionado con aerosoles. Está disponible a una resolución estándar de 10 km además de una resolución de 3 km, más acorde para ámbitos urbanos, diferenciándose únicamente en la forma como la reflectancia es procesada y organizada por los algoritmos (Remer et al., 2013). Ambas resoluciones presentan virtudes y deficiencias; la de 3 km permite esquivar con mayor eficacia el problema de la cobertura de nubes o la aproximación a costas, además de mejorar la caracterización de la distribución espacial de aerosoles; sin embargo, presenta mayores problemas y señales de ruido en zonas claras y áreas urbanas (Munchak et al., 2013; Remer et al., 2013). En general, la resolución estándar de 10 km resulta estadísticamente más fiable (Munchak et al., 2013). En el presente estudio se incluyen ambos productos, denominados MxD04_L2 para la resolución de 10 km y MxD04_3K para la de 3 km.

La descarga de datos se ha realizado desde el portal de la NASA Level-1 and Atmosphere Archive & Distribution System, Distributed Active Archive Center (LAADS DAAC) https://ladsweb.modaps.eosdis.nasa.gov/search/, accediendo a las herramientas de post-procesamiento para reformatear los archivos a geoTIFF y realizar una proyección UTM. Los datos MODIS están en formato jerárquico (hierarchical data format, .hdf), el cual se estructura en subconjuntos que incluyen diversos parámetros elegibles. El parámetro aquí seleccionado es Optical Depth Land and Ocean, que representa el AOD a 0,55 μm, utilizando sólo aquellos datos con un indicador de calidad 3, el de menor error, considerados como los adecuados para análisis de carácter cuantitativo (Remer et al., 2006).

AOD es una medición adimensional de la dispersión y absorción de la radiación solar ocasionada por el conjunto de aerosoles de la columna vertical entre la superficie terrestre y el techo atmosférico (Tsai et al., 2011). El rango de valores de AOD abarca de -0,1 a 5, tras aplicar un re-escalado a los valores originales del sensor (entre -100 y 5000). Dada la incertidumbre del procedimiento de cálculo, pueden resultar pequeños valores negativos, teóricamente no posibles desde el punto físico, pero que evitan sesgos positivos (Remer et al., 2006) y mejoran el promedio espacial en ocasiones. Los datos considerados como erróneos o con calidad insuficiente se han excluido de los análisis. Una limitación de MODIS para este estudio ha sido la carencia de datos AOD en amplias zonas. A menudo menos del 50 % de las estaciones terrestres poseían datos MODIS coincidentes (especialmente sobre la metrópoli de Madrid).

4

3.3. Métodos

Para examinar las coincidencias y divergencias estadísticas entre los niveles superficiales de PM10 en el aire y la profundidad óptica de aerosoles estimada con MODIS (AOD) se ha recurrido al análisis estadístico uni y bivariado (SPSS), tratando tanto el conjunto del período, como subconjuntos de datos desagregados por días, satélites (Terra-MOD04 y Aqua-MYD04) y resoluciones (a 3 y 10 km) de los productos. Con ello se busca desvelar la variabilidad de esas relaciones en circunstancias concretas y apuntar posibles factores distorsionantes. Adicionalmente se ha recurrido a la visualización gráfica y cartográfica (ArcGIS).

4. ANÁLISIS DE RESULTADOS

4.1. Resultados para el período completo

Tanto AOD 3km y 10 km, como las partículas atmosféricas de un tamaño inferior a 10 µm (PM10), presentan una gran variabilidad, según atestiguan la desviación típica y los valores mínimo y máximo (Tabla 1). La razón estriba en un fuerte aumento de contaminación por partículas, como demostraron Cañada y Moreno (2017). Los valores diarios de PM 10 duplican y casi triplican el límite diario permitido por la legislación, fijado en 50 µg/m3, sobre todo los días 26, 27, 28 y 29 de junio. Se excluyen de estas características los días 25 y 30. Igualmente, las tres variables poseen asimetría positiva, no ajustándose a la normalidad según los test aplicados.

Tabla 1. Estadísticos de la profundidad de aerosoles (MODIS AOD) y PM10 observadas en el período de estudio

ESTADÍSTICO AOD 3 km AOD 10 km PM10 (µg/m3)

N 122 124 122

Media 320,98 273,85 85,73

Desviación Típica 224,74 197,1 77,46

Mínimo / Máximo -50 / 826 27 / 728 6 / 281

Asimetría 0,631 0,695 1,015

Test de normalidad Shapiro-Wilk / valor de p

0,950 / 0,000 0,921 / 0,000 0,828 / 0,000

Nota: Unidades de AOD sin re-escalado.

Usando datos de MODIS a 3 km de resolución, la correlación lineal es positiva pero baja (0,248) aunque, dado n = 122, sería significativa (p valor = 0,006). El diagrama bivariado no exhibe una tendencia clara y sí una heterocedasticidad marcada: en los niveles medio-bajos y altos de AOD la disparidad de concentraciones de PM10 en el aire es elevada. Con las imágenes MODIS AOD a 10 km de resolución esa relación estadística decae hasta 0,132 (n = 123) y no sería significativa. La nube de puntos mantiene la heterocedasticidad.

En resumen, el conjunto total de datos tratado denota unas relaciones estadísticas muy pobres entre MODIS AOD y PM10 superficial, e incluso la agregación de las unidades espaciales, (producto MODIS AOD 10 km), da un resultado menos acorde con la hipótesis planteada.

4.2. Resultados segmentando los datos por día, satélite y resolución de MODIS AOD

4.2.1. Las relaciones bivariadas entre MODIS AOD y PM10 superficiales

En este apartado se presentan primero las relaciones bivariadas (con n ≥9), desagregando los datos por días, satélites y resoluciones, para luego profundizar en algunos casos reveladores.

5

Las correlaciones de Terra AOD 3km son positivas todos los días, excepto la del día 30 de junio que es negativa (-0,37) (Tabla 2). El día 25 de junio se alcanza la mayor (0,82). Las correlaciones de Aqua AOD 3 km (solo factibles para el 25 y 29 de junio) son más bajas.

Las correlaciones de Terra AOD 10 km son positivas los días 25, considerando las PM 10 a las 13 h (0,66), y 26 de junio (0,53), y negativas las del 28 de junio (-0,4) y con las PM10 a las 14 h del 25 de junio. Aqua AOD a 10 km ofrece correlaciones positivas bajas los días 25 y 29 de junio.

Tabla 2. Correlaciones entre la profundidad óptica de aerosoles (MODIS AOD) y las PM10 superficiales desagregando por día, satélite y resolución en el período estudiado

DÍA

Terra AOD 3km Aqua AOD 3km Terra AOD 10km Aqua AOD 10km

r n r N r n r N

25-06-2012 Hora 13: 0,822Hora 14: 0,206

1111

0,346 10 Hora 13: 0,658Hora 14: -0,155

1515

0,317 10

26-06-2012 0,505 16 - 0,533 21 -

28-06-2012 P1) 0,526 (*)P2) 0,171 (*)

1227

- P1) -0,401 (*)P2) 0,253 (*)

1033

-

29-06-2012 0,655 9 0,417 19 - 0,342 2430-06-2012 -0,368 18 - 0,002 10 -

(*) P1) y P2: Pasadas 1 y 2 del satélite; – : Excluidos por insuficiencia de datos.

En síntesis, se constatan unos coeficientes predominantemente positivos entre las dos fuentes de datos sobre polución por partículas, lo que concuerda con lo esperado, si bien la varianza asociada, calculable con R2, es relativamente baja. Por otro lado, en este análisis los coeficientes suelen ser algo superiores con una resolución de 3 km y con datos MOD04 (Terra).

4.2.2. Día 25 de junio 2012

Dado que el satélite Terra pasó a las 13:30 h, se han realizado dos ensayos de relación bivariada entre MODIS AOD con las medidas superficiales de PM10 a las 13 y a las 14 h, por ser equidistantes. En ambos casos, n= 11. Con los datos terrestres de las 13 h los puntos exhiben una tendencia lineal bastante aceptable (r= 0,82), aunque con una cierta heterocedasticidad en los valores elevados de AOD (Figura 2 A) los cuales, por corresponder a estaciones dentro de Madrid, insinúan una variedad de circunstancias ambientales en los respectivos derredores urbanos. Aplicando una partición del diagrama en cuadrantes los puntos se reparten de manera equilibrada entre los cuadrantes 1 y 3, desvelando una contraposición contundente: las estaciones de Madrid ciudad están todas en el 1, las de localidades alejadas de ella en el 3 (extremo inferior izquierdo) y las cercanas a Madrid en el 3 también, pero en el centro del diagrama a modo de transición (Algete y Torrejón). El contraste geoambiental, tanto en PM10, como en AOD, entre ámbitos más y menos urbanizados resulta bien patente.

Sorprendentemente, la relación baja mucho al usar los datos de PM10 superficiales de las 14 h, (r=0,21) En la figura 2 B, teniendo en cuenta que los valores de AOD son los mismos que en la figura 2 A, se aprecia una caída brusca en las medidas de PM10 en muchas estaciones del interior de Madrid (Castellana y Moratalaz sobretodo) y aumentos en dos situadas al E de la metrópoli (Torrejón, Algete) y una dentro de la misma (Méndez Álvaro).

La situación meteorológica del 25 de junio es de estabilidad atmosférica, puesto que el gradiente térmico vertical entre la superficie y 850 Hpa es de 0,73ºC, inferior al gradiente adiabático seco (1ºC) y así se mantiene en toda la columna atmosférica hasta los 9680 m, según datos del sondeo de Madrid Barajas a las 12 horas. Por tanto los movimientos verticales del aire se ven dificultados y en consecuencia la dispersión de contaminantes. Del mismo sondeo se conoce que los vientos de superficie soplan del N a 850 Hpa y a 500 Hpa del W, mientras que a 400 y 300 (en altura) lo hacen del SW y del S, respectivamente. Esta disparidad

6

podría ser una de las causas de las correlaciones más bajas a las 14 h (incluso negativa entre AOD 10 km y PM10). Se podría pensar también en cambios micro-locales en tierra que habrían modificado la concentración de partículas en ese lapso de tiempo. Los vientos en algunas estaciones, como las citadas de Torrejón y Algete, permiten comprobar que si bien las velocidades a las 13 y 14 h son parecidas, las direcciones han rotado de forma casi opuesta (Torrejón: E vs. SW; Algete: WNW vs. ENE). Cabría presumir que ellos podrían haber aportado más partículas en suspensión en dichas estaciones a las 14 h. En cualquier caso, este hallazgo denota el notable grado de fluctuación espaciotemporal de las mediciones terrestres.

Figura 2 A y B. Distribución bivariada de los valores de concentración de partículas (PM10) registrada en las estaciones de tierra (horas 13 y 14) vs. la profundidad óptica de aerosoles (MODIS AOD Terra) hora 13:30 en los

píxeles coincidentes, resolución 3km, 25 de junio de 2012. Comunidad de Madrid.

El mapa (Figura 3) que integra datos de MODIS AOD Terra y las PM10 superficiales a las 13 y 14 h revela hechos notables: a) la gran porción de territorio para el que faltan datos de calidad de MODIS AOD; b) la contraposición de valores altos AOD en la ciudad de Madrid (foco de emisiones particuladas) frente a valores más bajos en el resto del territorio, sobretodo en la franja montañosa del NW; c) la abundancia de datos de PM10 altos a las 13 h en la ciudad de Madrid, en tanto que las estaciones más periféricas suelen mostrar guarismos menores; d) el

7

Figura 3. Mapa de la profundidad óptica de aerosoles (MODIS AOD-TERRA), hora 13:00, resolución 3 km, y de la concentración de partículas (PM10) registrada en las estaciones de tierra (horas 13 y 14), 25 de junio de 2012.

Comunidad de Madrid. Nota: píxeles en blanco = valores de AOD de calidad subóptima o perdidos.

cambio de concentración de PM10 en superficie a las 14 h, que exhibe un patrón espacial algo complejo; ciñéndonos a la capital y su alfoz afloran algunos descensos notables en la parte NE (en la ciudad y primera corona metropolitana), al igual que en el SW, pero se observan también ciertos aumentos o persistencias en una diversidad de lugares de la provincia.

4.2.3. Día 26 de junio 2012

Los datos provistos por el satélite Terra con resolución de 3 km, al confrontarlos con las medidas en las estaciones superficiales (16 pares de datos), muestran una elevación general, acorde con la situación atmosférica de estabilidad y advección de masas desde el Sahara (figura 4). Para este día el gradiente térmico entre el suelo y 300 Hpa es 0,72ºC, acorde con la estabilidad en todo el espesor de la masa de aire.

Figura 4. Mapa de la profundidad óptica de aerosoles (MODIS AOD-TERRA), hora 13:00, resolución 3km, y de las PM10 registradas en las estaciones de tierra (hora 13:00), 26 de junio de 2012. Comunidad de Madrid.

La distribución bivariada exhibe una configuración interesante (figura 5), aflorando una tendencia positiva y razonablemente clara, que se traduce en un r = 0,51. El grueso de los puntos se sitúa en los cuadrantes 1 y 3, pero algunos puntos se desmarcan como anómalos, los cuales, al situarse en el tramo central de la escala de AOD, provocan una distorsionante heterocedasticidad en la nube de puntos. Ello no obstante, se observa que todos los valores altos de AOD (mitad derecha del diagrama) corresponden a estaciones dentro de la ciudad de Madrid y es allí donde se sitúan los casos singulares en las medidas de PM 10 superficiales: Cuatro Caminos (muy alta), Tres Olivos (algo baja) y Sanchinarro (muy baja). El contexto urbano de ellas es bien distinto: la primera está en una conocida plaza de alto tráfico en el interior de la ciudad, lo que propendería a esa mayor concentración de PM 10, en tanto que las otras dos se ubican en la periferia septentrional de la ciudad, lo que sería coherente con esa menor contaminación. Factores micro-locales podrían haber originado esas dispares medidas en superficie y por tanto la divergencia respecto a la tendencia general. Procede añadir que a la resolución de 10 km la correlación (0,533, n=21) es similar y corrobora a la recién descrita.

8

5. DISCUSIÓN Y CONCLUSIONESLa difusa y latente relación empírica entre AOD y PM10 se muestra en estudios de menor complejidad como el nuestro. Aunque se alcanzan algunas correlaciones diarias de intensidad equiparable a las de Gupta y Christopher (2008) r=0,6, y Wang y Christopher (2003) r=0,7, entre PM2,5 y AOD, también emergen otras bajas o negativas. Pese a ser datos de un tipo de tiempo bien definido, se observa una clara indeterminación para el conjunto (r=0,25).

Figura 5. Distribución bivariada de los valores de concentración de partículas (PM10) registrada en las

estaciones de tierra vs. la profundidad óptica de aerosoles (MODIS AOD-Terra, en los píxeles coincidentes; resolución

3km. 26 de junio 2012, 13:00 h., n = 16 Comunidad de Madrid.

El estudio de tales relaciones ha de tener muy presente que los dos tipos de tecnologías consideradas para medir la contaminación del aire difieren instrumental y espacialmente (“observan” ámbitos diferentes). Además, hay un amplio abanico de condicionantes de las mediciones por analizar, como han señalado trabajos previos (Liu et al., 2005; Gupta et al., 2006): variaciones meteorológicas divergentes en altura y en superficie, a veces intra-día, cambios dispares en lugares próximos, (e. g. vientos), etc. A ello se añaden las implicaciones de la resolución distinta de las medidas (y de su agregación), la inclusión de datos satelitales de menor calidad, etc. Todas ellas son facetas a contemplar con más profundidad en el futuro.

Aquí se ha evidenciado que la segmentación de la masa total de datos, captados en condiciones atmosféricas algo desiguales espacial y temporalmente (pero dentro de un mismo tipo de tiempo), permite vislumbrar situaciones con correlaciones aceptables, frente a otras con bajas o contradictorias. Cabría, para el futuro, explorar más la incidencia de factores meteorológicos sobre las mediciones satelitales y del micro-entorno en cada estación terrestre, así como avistar análisis de series temporales de AOD y de partículas en cada lugar por separado. Ello podría mejorar la formulación de modelos para estimar las partículas en superficie con datos remotos tan abundantes como los de MODIS (NASA) o Sentinel-5P (ESA).

6. AGRADECIMIENTOS

Trabajo realizado en el proyecto “Polución del aire, poblaciones vulnerables y salud: análisis de injusticias ambientales basados en geotecnologías” (Ref. CSO2014-55535-R), financiado por el Ministerio de Economía y Competitividad de España. Se agradece la ayuda de Erika Albero, Univ. de Valencia, y de Marco Peña Araya, Univ. Alberto Hurtado, Santiago, Chile.

7. BIBLIOGRAFÍA

Cañada Torrecilla, M.R. (2017): Clasificación de tipos de tiempo y su influencia en las concentraciones de dióxido de nitrógeno, material particulado (PM10) y ozono en la ciudad de Madrid, España. Boletín de la Asociación de Geógrafos Españoles, nº 75, 447-470.

9

Cañada Torrecilla, M.R. y Moreno Jiménez, A. (2017): Análisis y modelado de episodios de intensa contaminación por PM10 en Madrid con Sistemas de Información Geográfica. XVI Conferencia Iberoamericana de Sistemas de Información Geográfica, UDA-IERSE, p. 105-1114

Guo, J., Xia, F., Zhang, Y., Liu, H., Li, J., Lou, M., He, J., Yan, Y., Wang, F., Min, M. y Zhai, P. (2017): Impact of diurnal variability and meteorological factors on the PM2.5–AOD relationship: Implications for PM2.5 remote sensing. Environmental Pollution, 221, 94-104.

Gupta, P., Christopher, S., Wang, J., Gehrig, R., Lee, Y. y Kumar, N. (2006): Satellite remote sensing of particulate matter and air quality assessment over global cities. Atmospheric Environment, 40, 5880-5892.

Gupta, P. y Christopher, S.A. (2008): Seven years particulate matter air quality assessment from surface and satellite measurements. Atmospheric Chemistry and Physics, 8, 3311-3324.

Gupta, P. y Christopher, S.A. (2009): Particulate matter air quality assessment using integrated surface, satellite, and meteorological products: 2. A neural network approach. Journal of Geophysical Research, 114, D20205.

Harbula, J. y Kopacková, V. (2011): Air pollution detection using MODIS data. Proceedings of SPIE, 8181, 1-15.

Kloog, I., Koutrakis, P., Coull, B.A., Lee, H.J. y Schwartz (2011): Assessing temporally and spatially resolved PM2.5 exposures for epidemiological studies using satellite aerosol optical depth measurements. Atmospheric Environment, 45, 6267-6275.

Levy, R.C., Mattoo, S., Munchak, L.A., Remer, L.A., Sayer, A.M., Patadia, F. y Hsu, N.C. (2013): The Collection 6 MODIS aerosol products over land and ocean. Atmospheric Measurement Techniques, 6, 2989–3034.

Liu, Y., Park, R.J., Jacob, D.J., Li, Q., Kilaru, V. y Sarnat, J.A. (2004): Mapping annual mean ground-level PM2.5 concentrations using Multiangle Imaging Spectroradiometer aerosol optical thickness over the contiguous United States. Journal of Geophysical Research, 109, 3269-3278.

Liu, Y., Sarnat, J.A., Kilaru, V., Jacob, D.J. y Koutrakis, P. (2005): Estimating ground-Level PM2.5 in the Eastern United States using satellite remote sensing. Environmental Science & Technology, 39, 3269-3278.

Munchak, L.A., Levy, R.C., Mattoo, S, Remer, L.A., Holben, B.N., Schafer, J.S., Hostetler, C.A. y Ferrare, R.A. (2013): MODIS 3 km aerosol product: applications over land in an urban/suburban region. Atmospheric Measurement Techniques, 6, 1747,1759.

Nordio, F., Kloog, I., Coull, B.A., Chudnovsky, A., Grillo, P., Bertazzi, P.A., Baccarelli, A.A. y Schwartz, J. (2013): Estimating spatio-temporal resolved PM10 aerosol mass concentrations using MODIS satellite data and land use regression over Lombardy, Italy. Atmospheric Environment, 74, 227-236.

Remer, L., Kaufman, Y., Tanré, D., Mattoo, S., Li, R.R., Martins, J.V., Levy, R., Chu, D.A., Kleidman, R., Ichoku, C. y Koren, I. (2006): Collection 005 change summary for MODIS aerosol (04_L2) algorithms.

Remer, L.A., Mattoo, S., Levy, R.C. y Munchak, L.A. (2013): MODIS 3 km aerosol product: algorithm and global perspective. Atmospheric Measurement Techniques, 6, 1829-1844.

Tsai, T.C., Jeng, Y.J., Chu, D.A., Chen, J.P. y Chang, S.C. (2011): Analysis of the relationship between MODIS aerosol optical depth and particulate matter from 2006 to 2008. Atmospheric Environment, 45, 4777-4788.

10

Wang, J. y Christopher, S. A. (2003): Intercomparison between satellite derived aerosol optical thickness and PM2.5 mass: Implications for air quality studies. Geophysical Research Letters, 30 (21), 2095.

11