Mapeo de la calidad del aire urbano en tiempo casi real utilizando observaciones de sensores de bajo costo e información del modelo

La reciente aparición de microsensores de bajo costo que miden varios contaminantes del aire tiene un potencial significativo para llevar a cabo un mapeo de alta resolución de la calidad del aire en el entorno urbano. Sin embargo, los datos obtenidos por tales sensores son generalmente menos fiables que los de equipos estándar y están sujetos a importantes lagunas de datos tanto en espacio como en tiempo. Para superar este problema, presentamos aquí un método de fusión de datos basado en geostatística que permite combinar observaciones de calidad del aire de una red de sensores de bajo costo con información espacial de un modelo de calidad del aire a escala urbana. Se evalúa el rendimiento de la metodología para el dióxido de nitrógeno en Oslo, Noruega, utilizando tanto conjuntos de datos simulados como medidas del mundo real de una red de sensores de bajo costo para enero de 2016. Los resultados indican que el método es capaz de producir campos de concentración horaria realistas de dióxido de nitrógeno urbano que heredan los patrones espaciales del modelo y ajustan los valores previos utilizando la información de la red de sensores. La precisión del método de fusión de datos depende de varios factores, incluyendo el número total de observaciones, su distribución espacial, su incertidumbre (tanto en términos de sesgos sistemáticos como de errores aleatorios), así como la capacidad del modelo para proporcionar patrones espaciales realistas de la contaminación del aire urbano. Una validación contra datos oficiales de estaciones de monitoreo de calidad del aire equipadas con instrumentación de referencia indica que el método de fusión de datos es capaz de reproducir los valores oficiales promedios a nivel de ciudad con un R2 de 0.89 y un error cuadrático medio de 14.3 μg m −3. Además, es capaz de reproducir los ciclos diarios típicos de dióxido de nitrógeno. En general, los resultados indican que el método proporciona una forma robusta de extraer información útil de datos de sensores inciertos utilizando solo un conjunto de datos de modelo invariable en el tiempo y el conocimiento contenido dentro de toda una red de sensores.