rica Revista internacional de contaminación ambiental Rev. Int. Contam. Ambient 0188-4999 Universidad Nacional Autónoma de México, Centro de Ciencias de la Atmósfera 10.20937/RICA.53548 00019 Artículos MODELACIÓN Y ESTIMACIÓN DE NO2 Y O3 EN ZONAS RURALES Y SUBURBANAS DEL VALLE DE MÉXICO MODELING AND ESTIMATION OF NO2 AND O3 IN RURAL AND SUBURBAN AREAS OF THE VALLEY OF MEXICO Ruiz-Villavicencio Ernesto 1 López-López Miguel Ángel 1 * Cetina-Alcalá Víctor Manuel 1 Ramírez-Guzmán Martha Elva 2 Postgrado en Ciencias Forestales, Colegio de Postgraduados, km 36.5 carretera México-Texcoco, Montecillo, 56230 Texcoco, Estado de México, México Colegio de Postgraduados Postgrado en Ciencias Forestales Colegio de Postgraduados Texcoco Estado de México Mexico Postgrado en Ciencias Forestales, Colegio de Postgraduados, km 36.5 carretera México-Texcoco, Montecillo, 56230 Texcoco, Estado de México, México Colegio de Postgraduados Postgrado en Ciencias Forestales Colegio de Postgraduados Texcoco Estado de México Mexico lopezma@colpos.mx Postgrado en Estadística, Colegio de Postgraduados, km 36.5 carretera México-Texcoco, Montecillo, 56230 Texcoco, Estado de México, México Colegio de Postgraduados Postgrado en Estadística Colegio de Postgraduados Texcoco Estado de México Mexico Autor para correspondencia: lopezma@colpos.mx 08 2020 36 3 747 754 01 02 2019 01 10 2019 Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons RESUMEN

Los bosques circundantes del Valle de México son afectados por la contaminación del aire producida en el valle; sin embargo, en el bosque son escasas las estaciones de monitoreo ambiental. Esto dificulta el estudio de los impactos de la contaminación en esa área. El presente estudio pretendió investigar la factibilidad técnica del uso de modelos matemáticos para estimar la presencia de O3 y NO2 en puntos rurales y suburbanos del Valle de México. Se desarrollaron modelos de estimación de O3 y NO2 en áreas rurales y suburbanas del Valle de México, usando registros de las estaciones de la Red Automática de Monitoreo Atmosférico (RAMA) y de variables meteorológicas de la Red de Meteorología y Radiación Solar (REDMET) del Valle de México. Se elaboraron 12 modelos de regresión lineal múltiple para las estaciones de monitoreo Ajusco Medio, Cuajimalpa, Cuautitlán y Montecillo. Las estimaciones de O3 están en función de las concentraciones de dicha sustancia, o bien a partir de concentraciones de NO2, O3 y variables meteorológicas registradas por la RAMA y la REDMET. Los modelos para NO2 estiman el contaminante en función de concentraciones de NO2 y variables meteorológicas. Los mejores modelos de estimación de O3 son aquellos que dependen de sus concentraciones registradas en otras estaciones, mientras que las variables meteorológicas con mayor impacto sobre el O3 son temperatura, humedad relativa y velocidad del viento. Los modelos para el NO2 presentaron buen comportamiento excepto en la estación Cuautitlán. Las variables con mayor impacto sobre el NO2 son temperatura y dirección de vientos.

 ABSTRACT

Forests surrounding the Valley of Mexico are affected by air pollution produced within the valley; however, air pollution monitoring stations are scarce within the forest areas. This condition prevents the impacts of air pollution on forests from being studied. The aim of this study was to investigate the technical feasibility of using mathematical models to estimate O3 and NO2 concentrations in rural and suburban sites around the Valley of Mexico. Models for estimation of O3 and NO2 from data collected from the stations of the Red Automática de Monitoreo Atmosférico (automatic air quality monitoring network, RAMA) and climatological variables from the Red de Meteorología y Radiación Solar (meteorology and solar radiation network, REDMET) of the Valley of Mexico were developed. We made 12 lineal multiple regression models for estimating air pollutants for stations Ajusco Medio, Cuajimalpa, Cuautitlán, and Montecillo. Estimations of O3 are a function of O3 concentrations and/or concentrations of NO2, O3, and meteorological variables from RAMA and REDMET. Models for NO2 estimate this pollutant as a function of concentrations of NO2 and meteorological variables. The best models for estimating O3 are those that depend on O3 concentrations from other stations, being temperature, relative humidity, and wind velocity the meteorological variables that impacted O3 estimations the most. Models for NO2 concentrations behaved correctly, except that of Cuautitlán. Temperature and wind direction are the variables that impacted NO2 concentrations the most.

 Palabras clave: variables meteorológicas modelos de estimación regresión lineal múltiple contaminantes del aire Key words: meteorological variables estimation models multiple linear regression air pollutants INTRODUCCIÓN

La contaminación atmosférica tiene origen natural pero principalmente se genera por actividades humanas. El ozono (O3), formado principalmente por la oxidación de dióxido de nitrógeno (NO2), es parte de los contaminantes potencialmente dañinos en zonas agrícolas (Alvarado-Rosales y Hernández-Tejeda 2002). Ambos tienen efectos dañinos en la salud del ser humano, animales y bosques. El O3 daña bosques, plantaciones y zonas de cultivo y disminuye la resistencia de las plantas ante sequías o bajas temperaturas (WHO 2006).

En la actualidad, muchas ciudades del mundo cuentan con registros de algunos contaminantes atmosféricos; sin embargo, en los bosques es poco común encontrar instalaciones para el registro de contaminantes. Éste es el caso de los bosques y áreas rurales colindantes con el Valle de México, donde a pesar de la presencia de daños a los bosques documentados (López-López et al. 1998, Hernández-Tejeda et al. 2001, Alvarado-Rosales y Hernández-Tejeda 2002, Bauer y Hernández-Tejeda 2007), se carece de registros que permitan relacionar los daños presentes en los árboles con las concentraciones de contaminantes atmosféricos.

Una opción para conocer las concentraciones de contaminantes del aire en zonas rurales es la elaboración de modelos de predicción a partir de datos de contaminantes y variables meteorológicas procedentes de estaciones cercanas a los sitios rurales.

En el Valle de México, la concentración de O3 está influenciada por la fisiografía de la región, pero la velocidad de reacción del O3 y el NO2 está fuertemente relacionada con vientos, humedad, temperatura y radiación solar (Alvarado-Rosales y Hernández-Tejeda 2002). Existen pocos estudios sobre modelos predictivos de O3 en el Valle de México, y aún menos estudios donde se consideran variables meteorológicas para desarrollar los modelos de estimación de las concentraciones de O3 y NO2 en localidades rurales como Ajusco Medio (AJM), Cuajimalpa (CUA), Cuautitlán (CUT) y Montecillo (MON).

Algunos estudios han demostrado que los contaminantes atmosféricos presentan correlación con las variables meteorológicas. En una investigación realizada en el Valle de México en las estaciones de monitoreo Merced, Tlalnepantla y Pedregal, Correa et al. (1999) demostraron que el NO2, precursor del O3, presenta una correlación moderadamente alta (r = 0.85) con este último, según un modelo de regresión múltiple, mientras que los parámetros meteorológicos presentan una relación débil. Además, estos autores propusieron inicialmente una ecuación de regresión lineal múltiple para predecir las concentraciones máximas diarias de O3 con base en concentraciones de esta sustancia observadas en periodos anteriores, tomando además como variables explicativas algunos parámetros del estado del tiempo y concentraciones de contaminantes precursores del día anterior.

Ramos et al. (2010) emplearon un análisis de regresión múltiple de los datos de las concentraciones de dióxido de azufre (SO2), NO2, ácido sulfhídrico (H2S) y material particulado de 10 µm (PM10) en la zona norte de Chiapas para describir las concentraciones en función del tiempo y/o de las variables meteorológicas temperatura, humedad relativa y dirección de los vientos; concluyeron que las variables meteorológicas describieron adecuadamente la concentración anual y mensual, pero no la concentración diaria. Además, reportaron que la correlación de NO2 fue negativa con la humedad relativa y la altura de la capa de mezcla, y positiva con la temperatura, la radiación solar y la velocidad escalar del viento. Esto indica que, de manera significativa (aunque con coeficientes de correlación relativamente bajos), al aumentar la humedad relativa y la altura de la capa de mezcla, disminuyó la concentración de NO2 y viceversa. Lo contrario ocurrió con la temperatura, radiación solar y velocidad del viento, variables que, al aumentar, indujeron el incremento de las concentraciones de NO2.

Por otro lado, Novoa et al . (2014) propusieron ecuaciones de regresión lineal múltiple para la estimación de las concentraciones en las estaciones Pedregal, Merced y Tlalnepantla, con base en datos de concentraciones O3, NO2, NOx, SO2, CO, PM10 y PM2.5 como variables independientes registrados por la Red Automática de Monitoreo Atmosférico (RAMA) de la Ciudad de México y las variables meteorológicas temperatura, humedad relativa, dirección de vientos y velocidad de vientos como variables independientes registrados por la Red de Meteorología y Radiación Solar (REDMET) del Valle de México. Estos autores encontraron una fuerte correlación entre el O3 y la temperatura en la estación de monitoreo Tlalnepantla. Por último, mediante el uso de análisis de componentes principales, determinaron que los parámetros meteorológicos como temperatura y humedad relativa tienen un fuerte impacto en la contaminación del aire de la Ciudad de México.

El presente estudio tuvo por objeto evaluar la factibilidad técnica de estimar, mediante modelos matemáticos, las concentraciones de O3 y NO2 atmosférico en zonas suburbanas o rurales del Valle de México, a partir de datos de los mismos contaminantes y/o de variables meteorológicas de otros puntos del valle.

 MATERIALES Y MÉTODOS

Se eligieron cuatro sitios de estudio dentro del Valle de México, todos cercanos a zonas rurales y en diferentes puntos cardinales: estación AJM al sur, CUA al oeste, CUT al norte y MON al este del valle. La selección de estos puntos permite determinar si mediante procedimientos estadísticos como los utilizados en el presente estudio, es posible estimar, con una precisión modesta, las concentraciones de O3 y NO2 en zonas rurales/suburbanas, de tal forma que sea posible estudiar los impactos de estos contaminantes en los ecosistemas agrícolas y forestales que prevalecen en esos puntos.

Los datos se obtuvieron de los registros de las concentraciones de O3, NO2 y variables meteorológicas de las estaciones de monitoreo de la RAMA y de las estaciones meteorológicas de la REDMET, localizadas en Ciudad de México (CDMX) y el Estado de México (EDOMEX). Ambas redes de monitoreo están conformadas por un total de 38 estaciones distribuidas en todo el Valle de México (Cuadro I).

ESTACIONES DE MONITOREO DE LA RED AUTOMÁTICA DE MONITOREO ATMOSFÉRICO Y RED DE METEOROLOGÍA Y RADIACIÓN SOLAR, CONSIDERADAS EN EL ESTUDIO
Clave Estación Delegación o municipio Estado Latitud (DD) Longitud (DD) Altitud (m)
ACOL** Acolman Acolman EDOMEX 19.635501 -98.912003 2198 m
AJU** Ajusco Tlalpan CDMX 19.154674 19.2721 2953 m
AJM** Ajusco Medio Tlalpan CDMX 19.2721 -99.207658 2619 m
ATIZA** Atizapán Atizapán de Zaragoza EDOMEX 19.576963 -99.254133 2341 m
AZC Azcapotzalco Azcapotzalco CDMX * * 2252m
BJU Benito Juárez Benito Juárez CDMX 19.371612 -99.158969 2250 m
CAM Camarones Azcapotzalco CDMX 19.468404 -99.169794 2233 m
CCA Centro de Ciencias de la Atmósfera Coyoacán CDMX 19.3262 -99.1761 2280 m
CHO** Chalco Chalco EDOMEX 19.266948 -98.886088 2253 m
COY Coyoacán Coyoacán CDMX * * 2240 m
CUA** Cuajimalpa Cuajimalpa de Morelos CDMX 19.365313 -99.291705 2704 m
CUT** Cuautitlán Tepotzotlán EDOMEX 19.722186 -99.198602 2263 m
FAC Fes Acatlán Naucalpan de Juárez EDOMEX 19.482473 -99.243524 2299 m
GAM Gustavo A. Madero Gustavo A. Madero CDMX 19.4827 -99.094517 2227 m
HGM Hospital General de México Cuauhtémoc CDMX 19.411617 -99.152207 2234 m
INN** Investigaciones Nucleares Ocoyoacac EDOMEX 19.291968 -99.38052 3082 m
IZT Iztacalco Iztacalco CDMX 19.384413 -99.117641 2238 m
LPR** La Presa Tlalnepantla de Baz EDOMEX 19.534727 -99.11772 2302 m
LLA Los Laureles Ecatepec de Morelos EDOMEX 19.578792 -99.039644 2230 m
MPA** Milpa alta Milpa Alta CDMX 19.17688 -98.990175 2592 m
MER Merced Venustiano Carranza CDMX 19.42461 -99.119594 2245 m
MGH Miguel Hidalgo Miguel Hidalgo CDMX 19.40405 -99.202603 2366 m
MON** Montecillo Texcoco EDOMEX 19.460415 -98.902853 2252 m
NEZ Nezahualcóyotl Nezahualcóyotl EDOMEX 19.393734 -99.028212 2235 m
PED Pedregal Álvaro Obregón CDMX 19.325146 -99.204136 2326 m
SAG San Agustín Ecatepec de Morelos EDOMEX 19.532968 -99.030324 2241 m
SFE Santa Fe Cuajimalpa de Morelos CDMX 19.357357 -99.262865 2599 m
SJA San Juan de Aragón Gustavo A. Madero CDMX * * 2450m
SUR Santa Úrsula Coyoacán CDMX * * 2250m
TLAH Tláhuac Xochimilco CDMX 19.246459 -99.010564 2297 m
TLA Tlalnepantla Tlalnepantla de Baz EDOMEX 19.529077 -99.204597 2311 m
TLI** Tultitlán Tultitlán EDOMEX 19.602542 -99.177173 2313 m
UIZ UAM Iztapalapa Iztapalapa CDMX 19.360794 -99.07388 2221 m
UAX UAM Xochimilco Coyoacán CDMX 19.304441 -99.103629 2246 m
VIF Villa de las Flores Coacalco de Berriozábal EDOMEX 19.658223 -99.09659 2242 m
XAL Xalostoc Ecatepec de Morelos EDOMEX 19.525995 -99.0824 2160 m

*Estaciones de monitoreo atmosférico con ubicación no especificada, **Estaciones de monitoreo atmosférico ubicadas en áreas rurales/suburbanas. EDOMEX: Estado de México, CDMX: Ciudad de México

Las bases de datos con la información utilizada en este estudio fueron obtenidas de la página oficial de la Secretaría del Medio Ambiente de la Ciudad de México (SEDEMA 2019). Se descargaron los registros del periodo 2010-2017 de las siguientes variables: O3, NO2, temperatura (Tem), humedad relativa (Hr), dirección de vientos (Dv) y velocidad de vientos (Vv).

El registro de contaminantes se ejecuta cada hora, produciendo un total de 24 registros de cada variable por día. Para este estudio se decidió conformar una sola base de datos con valores promedio diarios, obteniéndose un total de 17 520 registros promedio del periodo 2010-2017. La base de datos incluye los registros promedio de las siguientes variables en sus respectivas unidades: O3 en partes por billón (ppb), NO2 en ppb, temperatura en grados centígrados (ºC), humedad relativa en porcentaje (%), dirección de vientos en grados acimut (ºA) (Pérez-Camacho et al. 2013) y velocidad de vientos en metros sobre segundo (m/s).

La base de datos se utilizó fundamentalmente para correlacionar las concentraciones de O3 en las estaciones rurales/suburbanas con las correspondientes y las de NO2; asimismo, con variables meteorológicas de otras estaciones de las redes mencionadas. Para ello se utilizó el paquete estadístico SAS 9.4. Las variables que finalmente conformaron los modelos de estimación fueron seleccionadas mediante el procedimiento de pasos sucesivos (stepwise), previo análisis para probar los supuestos de normalidad, linealidad, multicolinealidad y homocedasticidad. Las variables dependientes fueron las concentraciones de O3 y NO2 en las estaciones rurales/suburbanas, mientras que las variables O3, NO2, temperatura, humedad relativa, velocidad de vientos y dirección de vientos (todas ellas en estaciones principalmente urbanas) fueron consideradas como variables independientes.

El procedimiento de análisis contempló la estimación de concentraciones de O3 en las estaciones de monitoreo atmosférico AJM, CUA, CUT y MON para el mismo día de registro con base en concentraciones de O3 registrado en otras estaciones de la RAMA. Asimismo, se estimó el O3 con base en concentraciones de O3, NO2 y variables meteorológicas registradas por la REDMET, tomando como base datos registrados de 2010 a 2017. Finalmente, para la estimación de NO2, en los modelos se tomaron en consideración las concentraciones de NO2 registradas en otras estaciones de la RAMA y se elaboró otro grupo de modelos en los que se consideraron las concentraciones de NO2 y variables meteorológicas.

Los modelos de estimación se utilizaron en fechas aleatorias de 2010 a 2018 (Cuadro II), con el objetivo de validar cada modelo y determinar su confiabilidad. Sin embargo, en algunos casos, ciertas estaciones de monitoreo no presentaron registros. Por lo anterior, se optó por utilizar el promedio de las estaciones que sí presentaron registros para conformar en su totalidad los modelos de estimación. Finalmente, se probó la aleatoriedad de la distribución de los errores (procedimiento Univariate de SAS).

FECHAS SELECCIONADAS ALEATORIAMENTE PARA VALIDACIÓN DE LOS MODELOS DE ESTIMACIÓN DE LAS CONCENTRACIONES DE OZONO Y DIÓXIDO DE NITRÓGENO
18 de febrero de 2010 7 de agosto de 2015
19 de marzo de 2011 6 de octubre de 2016
7 de abril de 2012 2 de julio de 2017
10 de mayo de 2013 10 de enero de 2018
17 de junio de 2014 1 de noviembre de 2018

*Se utilizaron fechas aleatorias dentro del periodo 2010-2018

 RESULTADOS Y DISCUSIÓN

La variación de las estimaciones de O3 en las estaciones rurales y suburbanas se explica en más del 84 % por las concentraciones de O3 en otras estaciones de monitoreo atmosférico. Esto permite afirmar que mediante procedimientos de regresión múltiple es posible estimar las concentraciones de O3 en sitios rurales y suburbanos del Valle de México y conocer el tipo de relación que presentan (Cuadro III).

MODELOS DE ESTIMACIÓN DE LAS CONCENTRACIONES DE O<sub>3</sub> EN LAS ESTACIONES RURALES/SUBURBANAS A PARTIR DE CONCENTRACIONES DE O<sub>3</sub> EN ESTACIONES DE MONITOREO SELECCIONADAS MEDIANTE EL MODELO DE PASOS SUCESIVOS
Estación rural (O3) Modelo de estimación R2 RSME
AJM 0.4630 ([O3]PED) + 0.1887 ([O3]AJU) + 0.3304 ([O3]SFE) - 0.0540 ([O3]COY) + 0.3120 ([O3]CHO) - 0.0287 ([O3]LPR) - 0.0565 ([O3]TLA) 0.9139 4.4289
CUA 0.1565 ([O3]TLA) - 0.1971 ([O3]INN) - 0.3048 ([O3]CHO) + 0.3501 ([O3]ACOL) + 0.3477 ([O3]AJM) + 0.127 ([O3]AJU) + 0.2216 ([O3]SFE) + 0.1911 ([O3]MER) + 0.3656 ([O3]FAC) - 0.222 ([O3]CUT) 0.9234 3.8674
CUT 0.0405 ([O3]MPA) - 0.2101 ([O3]CAM) + 0.2424 ([O3]TLA) + 0.3347 ([O3]MGH) + 0.3575 ([O3]TLI) - 0.1136 ([O3]CCA) - 0.0617 ([O3]AJM) + 0.0927 ([O3]MER) + 0.2445 ([O3]VIF) 0.8809 3.4784
MON 0.0767 ([O3]UAX) - 0.077 ([O3]BJU) - 0.062 ([O3]COY) + 0.4410 ([O3]NEZ) - 0.039 ([O3]SAG) + 0.1999 ([O3]CHO) + 0.1043 ([O3]MER) + 0.2685 ([O3]ACOL) 0.8481 3.3585

AJM: Ajusco Medio, CUA: Cuajimalpa, CUT: Cuautitlán, PED: Pedregal, AJU: Ajusco, SFE: Santa Fe, COY: Coyoacán, CHO: Chalco, LPR: La Presa, TLA: Tlalnepantla, ACOL: Acolman, MER: Merced, FAC: FES Acatlán, MPA: Milpa Alta, CAM: Camarones, MGH: Miguel Hidalgo, TLI: Tultitlán, CCA: Centro de Ciencias de la Atmósfera, VIF: Villa de las Flores, UAX: UAM Xochimilco, BJU: Benito Juárez, NEZ: Nezahualcóyotl, SAG: San Agustín, MON: Montecillo, [O3]: concentración de ozono en ppb

De acuerdo con los modelos obtenidos, el comportamiento del ozono en las estaciones objetivo muestra principalmente una relación directa con las estaciones cercanas a ellas, probablemente debido al patrón del movimiento de los vientos dominantes (Montiel-Palma 2006) y a la condición cerrada de la cuenca del valle, misma que promueve la acumulación de contaminantes en la zona sur del mismo. Ahí se concentra la mayor superficie de zonas de reserva ecológica y rurales, y se encuentran áreas ganaderas y agrícolas que se ven afectadas por la contaminación del aire. En esta zona, la contaminación daña principalmente cultivos de avena, frijol, hortalizas y sorgo, que son sensibles al O3, con las consecuentes pérdidas económicas (INECC 2016, CAME-SEMARNAT-INECC 2017) (Cuadro III). Este comportamiento coincide con el encontrado por Franco-Islas et al. (2015).

Por el contrario, en la mayoría de las estaciones lejanas a las estaciones objetivo (sin que esto sea una regla estricta) se presentó una correlación inversa, lo cual indica que al aumentar el O3 en la estación objetivo, éste disminuye en las estaciones lejanas y viceversa. Tal comportamiento se debe probablemente a la influencia de las variables meteorológicas, particularmente la temperatura y los vientos sobre las concentraciones y dispersión de O3, tal como lo han reportado Jazcilevich et al . (2003), Fernández-Fernández et al . (2011), Ooka et al . (2011), Franco-Islas (2014), Cano et al . (2016) y SEDEMA (2017) (Cuadro III).

El cuadro III muestra los modelos de estimación de las concentraciones de O3 en cuatro estaciones rurales/suburbanas, a partir de las concentraciones del mismo contaminante registradas en otras estaciones de la RAMA. Con excepción de la estación AJM, los registros de O3 son válidos para estimar las concentraciones de O3 en las estaciones rurales/suburbanas del Valle de México con coeficientes de determinación relativamente elevados (R2 > 0.84).

Asimismo, el cuadro III, señala que el ozono participa en los modelos, principalmente mediante correlación directa. En el caso de AJM con las estaciones seleccionadas en el modelo, cuatro presentan correlación directa y tres correlaciones inversas (proporción 4:3). Similarmente, las proporciones de registros de O3 con efectos directos respecto a los inversos, son 7:3, 6:3 y 5:3 para las estaciones CUA, CUT y MON, respectivamente.

En estos modelos, la variación de las concentraciones de O3 es explicada en más de 83 % por las concentraciones de O3 y NO2, y variables meteorológicas. Los modelos indican que de manera general el O3 de las estaciones rurales y suburbanas tiene una relación directa con el ozono registrado en estaciones cercanas a ellas (Cuadro IV).

MODELOS DE ESTIMACIÓN DE LAS CONCENTRACIONES DE O<sub>3</sub> EN ESTACIONES RURALES/SUBURBANAS A PARTIR DE CONCENTRACIONES DE O<sub>3</sub>, NO<sub>2</sub> Y VARIABLES METEOROLÓGICAS EN ESTACIONES DE MONITOREO SELECCIONADAS MEDIANTE EL MODELO DE PASOS SUCESIVOS
Estación rural (O3) Modelo de estimación R2 RSME
AJM 0.2273 ([O3]MPA) + 0.78369 ([O3]PED) + 0.2302 ([NO2] XAL) + (0.0190) ([NO2]UAX) - 0.13599 (HrSAG) + 0.1179 (HrMPA) - 1.3063 (TemINN) + 2.1348 (TemNEZ) - 0.0247 (DvAJU) + 0.0171 (DvPED) + 0.6642 (Vv MPA) - 5.9862 (VvBJU) 0.9655 3.1203
CUA 0.0658 ([NO2]XAL) - 0.0490 ([NO2]ATIZA) + 0.7177 ([O3]SFE) + 0.3032 ([O3]MGH) + 0.0258 (HrMPA) + 0.1044 (HrBJU) + 0.3921 (TemSAG) + 0.2898 (TemPED) + 0.0096 (DvACOL) + 1.4137 (VvHGM) 0.9750 1.8855
CUT 0.0771 ([O3]SFE) + 0.0947 ([O3]MER) + 0.2969 ([O3]FAC) + 0.2430 ([NO2]SJA) + 0.2178 ([O3]SJA) - 0.0099 ([NO2]SFE) - 0.1972 ([NO2]COY) + 1.4225 (VvCUT) + 0.4494 (TemCUA) + 0.0648 ([O3]INN) 0.8309 3.7910
MON 0.0225 ([NO2]ATIZA) - 0.0106 ([NO2]SJA) + 0.3878 ([O3]SAG) - 0.0637 ([O3]TLA) + 0.5839 ([O3]NEZ) + 0.1162 (HrHGM) - 0.1239 (HrMON) + 0.3170 (TemFAC) + 0.8314 (TemNEZ) - 0.8378 (TemPED) + 0.7780 (VvMON) 0.8367 4.2468

ATIZA: Atizapán, MON: Montecillo, CUA: Cuajimalpa, CUT: Cuautitlán, PED: Pedregal, AJU: Ajusco, SFE: Santa Fe, COY: Coyoacán, TLA: Tlalnepantla, ACOL: Acolman, HGM: Hospital General de México, MER: Merced, FAC: FES Acatlán, SJA: San Juan de Aragón, MPA: Milpa Alta, MGH: Miguel Hidalgo, UAX: UAM Xochimilco, BJU: Benito Juárez, NEZ: Nezahualcóyotl, SAG: San Agustín, XAL: Xalostoc, INN: Instituto de Investigaciones Nucleares, AJM: Ajusco Medio, CUA: Cuajimalpa, CUT: Cuautitlán, MON: Montecillo,

[ O3 ]:concentraciones de ozono en ppb, [ NO2 ]: concentraciones de dióxido de nitrógeno en ppb, Hr: humedad relativa, Tem: temperatura, Dv: dirección de vientos, Vv: velocidad de vientos

El NO2 tiene, de manera general, una relación inversa con el O3 cuando se trata de estaciones cercanas; es decir, a menor distancia se reducen las concentraciones de O3 al aumentar las de NO2 y viceversa; esto tiene que ver con la conocida evolución del primero a partir del segundo en condiciones de elevada luminosidad (López et al. 1998, Musso et al . 2002, Ballester 2005, SEMARNAT 2018). La Hr también indica un comportamiento inverso respecto a las estaciones objetivo, ya que las condiciones de nubosidad restringen la formación de ozono y viceversa (López et al . 2008, Ooka et al. 2011, Franco-Islas 2014).

La temperatura indica de manera general una relación directa con el O3, que a su vez está ligada con la nubosidad y la cantidad de radiación en la troposfera, la cual se relaciona con la producción de O3 a partir del NO2 (López et al. 1998).

Por su parte, la Dv no tiene un patrón de comportamiento definido en estos modelos, ya que en la misma proporción presenta correlaciones directas e inversas. Finalmente, la Vv muestra una correlación principalmente directa independientemente de la cercanía o lejanía de las estaciones respecto a las estaciones objetivo.

El cuadro IV muestra los modelos de estimación de las concentraciones de O3 de las estaciones rurales/suburbanas, a partir de las concentraciones del mismo contaminante, de NO2 y de variables meteorológicas registradas en otras estaciones de la RAMA y la REDMET. Con excepción de las estaciones AJM y MON, los registros de O3 en combinación con NO2 y variables meteorológicas pueden ser utilizados para estimar las concentraciones de O3 en las estaciones rurales/suburbanas del Valle de México con coeficientes de determinación relativamente elevados (R2 > 0.83).

De igual manera, el cuadro IV indica que el NO2 es una variable que regularmente participa en los modelos, de manera que para el caso de la estación CUT, de nueve variables independientes seleccionadas en el modelo, tres se refieren a NO2, cuatro a O3 y dos a variables meteorológicas. Asimismo, las proporciones de registros de O3 respecto a registros de NO2, y variables meteorológicas para las restantes estaciones rurales y suburbanas son 2:2:8, 2:2:6 y 2:3:6 para las estaciones AJM, CUA y MON, respectivamente. Las altas proporciones de participación de variables meteorológicas en los modelos significa que los diversos factores meteorológicos influyen consistentemente en la concentración de O3 en las regiones rurales/suburbanas del Valle de México. Para la estimación de las concentraciones de NO2 en las estaciones rurales o suburbanas en estudio, la variación de NO2 es explicada en más del 84 %, por las concentraciones del NO2 y variables meteorológicas en otras estaciones, principalmente urbanas (Cuadro V).

MODELOS DE ESTIMACIÓN DE NO<sub>2</sub> A PARTIR DE CONCENTRACIONES DE NO<sub>2</sub> Y VARIABLES METEOROLÓGICAS EN ESTACIONES DE MONITOREO SELECCIONADAS MEDIANTE EL MÉTODO DE PASOS SUCESIVOS
Estación rural (NO2) Modelo de estimación R2 RSME
AJM 0.0660 ([NO2]CCA) + 0.7349 ([NO2]PED) - 0.2725 ([NO2]SAG) - 0.0506 ([NO2]COY) + 0.1015 ([NO2]UIZ) + 0.6324 (TemUAX) - 0.9332 (TemSAG) - 0.0131 (DvUIZ) - 0.1120 (VvPED) 0.8437 2.3586
CUA 1.1539 ([NO2]SFE) - 0.0398 ([NO2]TLA) - 0.0858 ([NO2]CCA) + 0.0861 ([NO2]MER) + 0.3879 ([NO2]MON) - 0.1822 ([NO2]LPR) - 0.4386 (TemMER) + 0.0281 (DvSFE) - 0.0138 (DvMER) 0.9919 1.5645
CUT 0.3788 ([NO2]IZT) + 0.2055 ([NO2]ATIZA) 0.2558 8.1898
MON - 1.0471 ([NO2]SFE) - 0.2822 ([NO2]TLA) + 0.0381 ([NO2]CCA) - 0.2843 ([NO2]MER) + 0.5642 ([NO2]LPR) - 0.0121 (TemMER) - 0.0445 (DvSFE) + 0.0078 (DvMER) + 0.1907 ([NO2]NEZ) + 0.1454 ([NO2]PED) + 0.9521 ([NO2]CUA) 0.9233 2.1745

ATIZA: Atizapán, MON: Montecillo, LPR: La Presa, IZT: Iztacalco, CUA: Cuajimalpa, PED: Pedregal, SFE: Santa Fe, COY: Coyoacán, TLA: Tlalnepantla, MER: Merced, UIZ: UAM Iztapalapa, SAG: San Agustín, CCA: Centro de Ciencias de la Atmósfera, AJM: Ajusco Medio, CUA: Cuajimalpa, CUT: Cuautitlán, MON: Montecillo, [NO2]: concentración de dióxido de nitrógeno, Hr: humedad relativa, Tem: temperatura, Dv: dirección de vientos, Vv: velocidad de vientos

Los modelos indican una correlación predominantemente directa de NO2 entre las estaciones objetivo y las estaciones independientes. Es decir, al elevarse las concentraciones de NO2 en las estaciones rurales, generalmente también lo hacen en las estaciones urbanas. Esta relación probablemente es explicada por tratarse de un gas producido, en el Valle de México, principalmente por la oxidación de combustibles fósiles dentro de los motores de combustión interna (ITF-OECD-CDMX 2017), cuya actividad experimenta un patrón diario con alta intensidad desde las primeras horas del día y menor intensidad durante la noche en todas partes del valle, incluyendo las áreas suburbanas.

La temperatura exhibe de manera general correlación predominantemente inversa con las concentraciones de NO2 de las estaciones rurales. Esto probablemente se debe a la conocida influencia de la radiación solar (que contiene radiación ultravioleta, acompañada de radiación infrarroja o calor) en la transformación de NO2 en O3 (Ramos et al. 2010).

La dirección y velocidad de los vientos también muestran de manera general una relación directa con la concentración de NO2 cuando se trata de estaciones cercanas a la estación objetivo, y se presenta una correlación inversa cuando se trata de estaciones lejanas a las estaciones de estudio. Por su parte, la humedad relativa no fue significativa para la estimación del NO2.

Con excepción de la estación CUT, los registros de NO2 en combinación con variables meteorológicas pueden ser utilizados para estimar las concentraciones de NO2 en las estaciones rurales/suburbanas del Valle de México, con coeficientes de determinación relativamente elevados (R2 > 0.84).

Según el cuadro V, el dióxido de nitrógeno es una variable que participa de forma recurrente en los modelos, de manera que para el caso de AJM, de nueve variables independientes seleccionadas en el modelo, cinco se refieren al NO2 y cuatro a variables meteorológicas. Similarmente, las proporciones de registros de NO2 respecto a registros de tipo meteorológico para las restantes estaciones rurales y suburbanas son 6:3, 2:0 y 8:3 para las estaciones CUA, CUT y MON, respectivamente. El análisis para la validación de los modelos de estimación de la concentración de O3 en función del O3 registrado en estaciones principalmente urbanas indica que los modelos CUA, CUT y MON exhibieron baja desviación estándar, mientras que los valores de R2 fueron elevados y la raíz del cuadrado medio del error (RMSE, por sus siglas en inglés) presentó baja dispersión, por lo cual se concluye que los modelos son adecuados para la estimación de O3. En cuanto al modelo de la estación AJM, se determinó que no es adecuado debido a la presencia de una alta dispersión de los datos, pese a tener un elevado R2 y una baja RMSE (Cuadro VI).

VALIDACIÓN DE LOS MODELOS DE ESTIMACIÓN DE CONCENTRACIONES DE O<sub>3</sub> Y NO<sub>2</sub> DE LAS ESTACIONES RURALES/SUBURBANAS AJUSCO MEDIO (AJM), CUAJIMALPA (CUA), CUAUTITLÁN (CUT) Y MONTECILLO (MON)
Fecha O3 AJM1 O3CUA1* O3 CUT1* O3 MON1* O3 AJM2 O3 CUA2* O3 CUT2* O3 MON2 NO2 AJM3* NO2 CUA3* NO2 CUT3 NO2 MON3*
18 febrero 2010 -1.3 3.6 4.7 2.1 -2.6 16.2 -3.3 3.2 13.1 -6.6 10.5 11.1
19 marzo 2011 6.0 11.5 3.7 -0.3 -29.3 29.3 -3.5 2.6 15.8 -5.7 17.1 9.9
7 abril 2012 -4.8 -3.4 -1.5 -0.2 -10.1 41.2 -4.6 9.3 11.5 -2.1 4.1 3.9
10 mayo 2013 -19.6 12.5 5.9 31.5 -29.5 68.9 -5.6 -26.0 17.2 -13.3 2.2 7.0
17 junio 2014 -6.6 7.9 7.0 7.0 -10.6 36.6 -10.0 1.1 6.9 -4.2 -4.8 -0.5
7 agosto 2015 9.8517 -2.1917 24.8 2.8 3.7 21.0 -6.6 2.4 2.5 -7.0 5.5 4.0
6 octubre 2016 8.7418 -0.3917 15.8 7.6 -1.2 25.3 -6.7 3.1 4.3 -8.5 0.6 -1.4
2 julio 2017 3.2 -0.4 13.3 4.2 -9.2 20.6 -3.7 -0.8 1.2 -0.7 -0.9 3.6
10 enero 2018 -16.3 0.8 15.3 20.9 -32.4 38.9 -6.9 -12.7 -6.2 -9.8 8.1 3.6
16 noviembre 2018 -8.4 -7.8583 2.1 3.8 -21.0 16.3 4.8 -0.7 3.3 -11.6 9.6 14.1
X̅ Residual (ppb) -2.92 3.79 9.11 7.95 11.91 30.73 -4.60 1.83 6.95 -6.94 5.20 5.54
s Residual (ppb) ±10.13 ±5.77 ±7.96 ±10.27 ±12.91 ±16.29 ±3.88 ±10.14 ± 7.34 ±3.99 ±6.36 ±4.97

*Modelos con adecuada capacidad predictiva de las concentraciones de contaminantes

s: desviación estándar, X̅: media, ppb: partes por billón

O3 en función de las concentraciones de O3; 2O3 en función de las concentraciones de O3, NO2 y variables meteorológicas; 3NO2 en función de las concentraciones de NO2 y variables meteorológicas

El proceso de validación de los modelos de estimación de O3 en las estaciones de monitoreo AJM, CUA, CUT, MON con base en concentraciones de O3, NO2 y variables meteorológicas indica que los modelos CUA y CUT obtuvieron baja desviación estándar, valores elevados de R2 y una baja RMSE, por lo que se concluye que son adecuados para estimar O3. En cuanto a los modelos de las estaciones AJM y MON, se determinó que no son adecuados para la estimación de NO2, ya que tienen alta dispersión de los datos pese a tener elevado R2 y baja RMSE (Cuadro VI).

Los modelos de estimación de NO2 de las estaciones de monitoreo AJM, CUA y MON, en función de las concentraciones de NO2 y variables meteorológicas, obtuvieron baja desviación estándar, elevado R2 y baja RMSE; se concluyó que son adecuados para estimar NO2. En cuanto al modelo de la estación CUT, se determinó que no es adecuado para estimar NO2 por presentar un bajo valor de R2 y no incluir variables meteorológicas (Cuadro VI).

 CONCLUSIONES

Los modelos con mejor precisión para la estimación de las concentraciones de O3 en las estaciones rurales/suburbanas son los que únicamente incluyen como variables independientes las concentraciones de O3 de otras estaciones de la RAMA. Estos resultados podrían establecer aún mejor los daños que ocasiona el O3 en la vegetación natural, cultivos y ganado en zonas rurales.

Por otra parte, los modelos de las estaciones CUA y CUT que incluyen concentraciones de NO2 y variables meteorológicas registran buenas estimaciones, demostrando el impacto de las variables independientes mencionadas sobre el comportamiento de O3 en el Valle de México, destacando la temperatura, humedad relativa y la velocidad de los vientos.

Finalmente, los modelos de estimación de NO2 muestran en general un buen comportamiento, lo cual indica que las variables meteorológicas tienen un impacto sobre las concentraciones de NO2 que se presentan en zonas rurales del Valle de México.

En la estimación de la concentración de O3 o NO2 en una estación rural, participa principalmente el respectivo contaminante registrado en otras estaciones de monitoreo, pero las variables meteorológicas juegan un papel importante al tener capacidad para modificar las concentraciones de estos u otros contaminantes en un sitio dado.

El uso de la técnica de regresión lineal múltiple para la estimación de concentraciones de O3 y NO2 en zonas rurales, a partir de las concentraciones de los mismos contaminantes en otros sitos, es factible; pero la concomitancia de variables meteorológicas, especialmente dirección de viento y temperatura, pueden mejorar la precisión de los modelos.

 AGRADECIMIENTOS

Al Consejo Nacional de Ciencia y Tecnología por el apoyo al primer autor, a través de una beca para estudios de Maestría en Ciencias.

 REFERENCIAS Alvarado-Rosales D. y Hernández-Tejeda T. (2002). Decline of sacred fir in the Desierto de los Leones National Park. En: Urban air pollution and forests: Resources at risk in the Mexico City air basin (Fenn M., Bauer L.I. y Hernández-Tejeda T., Eds.). Springer-Verlag, Nueva York, EUA, pp. 243-260. https://doi.org/10.1007/978-0-387-22520-3_10 Alvarado-Rosales D. Hernández-Tejeda T. 2002 Decline of sacred fir in the Desierto de los Leones National Park Urban air pollution and forests: Resources at risk in the Mexico City air basin Fenn M. Bauer L.I. Hernández-Tejeda T. Springer-Verlag Nueva York, EUA 243 260 https://doi.org/10.1007/978-0-387-22520-3_10 Ballester F. (2005). Contaminación atmosférica, cambio climático y salud. Rev. Esp. Salud Públic. 79 (2), 159-175. Ballester F. 2005 Contaminación atmosférica, cambio climático y salud Rev. Esp. Salud Públic 79 2 159 175 Bauer L.I. y Hernández-Tejeda T. (2007). A review of ozone-induced effects on the forests of central Mexico. Environ. Pollut. 147 (3), 446-453. https://doi.org/10.1016/j.envpol.2006.12.020. Bauer L.I. Hernández-Tejeda T. 2007 A review of ozone-induced effects on the forests of central Mexico Environ. Pollut. 147 3 446 453 https://doi.org/10.1016/j.envpol.2006.12.020 CAME-SEMARNAT-INECC (2017). Programa de gestión federal para mejorar la calidad del aire de la megalópolis: PROAIRE de la Megalópolis 2017-2030. Comisión Ambiental de la Megalópolis-Secretaría de Medio Ambiente y Recursos Naturales-Instituto Nacional de Ecología y Cambio Climático. Ciudad de México, México, 314 pp. CAME-SEMARNAT-INECC 2017 Programa de gestión federal para mejorar la calidad del aire de la megalópolis: PROAIRE de la Megalópolis 2017-2030 Comisión Ambiental de la Megalópolis-Secretaría de Medio Ambiente y Recursos Naturales-Instituto Nacional de Ecología y Cambio Climático Ciudad de México, México 314 314 Cano B.Y.N., Morales M.J.A., Sánchez C.L.J., Colina R.M.N. y Torres, P.J.C. (2016). Evaluación de los niveles de ozono en la Ciudad de Maracaibo, Estado Zulia, Venezuela. Rev. Int. Contam. Ambie. 32 (1), 25-34. Cano B.Y.N. Morales M.J.A. Sánchez C.L.J. Colina R.M.N. Torres P.J.C. 2016 Evaluación de los niveles de ozono en la Ciudad de Maracaibo, Estado Zulia, Venezuela Rev. Int. Contam. Ambie. 32 1 25 34 Correa G.A., Muñoz C.R. y García C.G. (1999). Análisis de ozono y óxidos de nitrógeno mediante técnicas de series de tiempo y regresión lineal. Dirección General de Prevención y Control de la Contaminación, Secretaría del Medio Ambiente, Ciudad de México [en línea]. https://pdfs.semanticscholar.org/96aa/dc3114a9048c3c82fb4f10769b767fe22d6d.pdf 08/02/2019. Correa G.A. Muñoz C.R. García C.G. 1999 Análisis de ozono y óxidos de nitrógeno mediante técnicas de series de tiempo y regresión lineal Dirección General de Prevención y Control de la Contaminación, Secretaría del Medio Ambiente, Ciudad de México https://pdfs.semanticscholar.org/96aa/dc3114a9048c3c82fb4f10769b767fe22d6d.pdf 08/02/2019 Fernández-Fernández M.I., Gallego M.C., García J.A. y, Acero F.J. (2011). A study of surface ozone variability over the Iberian Peninsula during the last fifty years. Atmos. Environ. 45 (11), 1946-1959. https://doi.org/10.1016/j.atmosenv.2011.01.027 Fernández-Fernández M.I. Gallego M.C. García J.A. y Acero F.J. 2011 A study of surface ozone variability over the Iberian Peninsula during the last fifty years Atmos. Environ. 45 11 1946 1959 https://doi.org/10.1016/j.atmosenv.2011.01.027 Franco-Islas Y. (2014). Distribución espacial e impacto de aeropoluantes en la salud del bosque de conservación del Distrito Federal. Tesis de Doctorado. Postgrado en Ciencias Forestales. Colegio de Postgraduados. Montecillo, Texcoco, Estado de México, México, 87 pp. Franco-Islas Y. 2014 Distribución espacial e impacto de aeropoluantes en la salud del bosque de conservación del Distrito Federal Doctorado Postgrado en Ciencias Forestales, Colegio de Postgraduados Texcoco, Estado de México, México Texcoco, Estado de México, México Texcoco, Estado de México, México Franco-Islas Y., López-López M.A., Escalona-Maurice M.J., Cetina-Alcalá V.M. y Alvarado- Rosales D. (2015). Análisis espacio-temporal de O3 y NO2 en el bosque de conservación del Distrito Federal. En: Avances y perspectivas de geomática con aplicaciones ambientales, agrícolas y urbanas (Fernández Y.M., Escalona M.J. y Valdez J.R., Eds.). Editorial del Colegio de Postgraduados. Texcoco, Estado de México, México, pp. 149-169. Franco-Islas Y. López-López M.A. Escalona-Maurice M.J. Cetina-Alcalá V.M. Alvarado- Rosales D. 2015 Análisis espacio-temporal de O3 y NO2 en el bosque de conservación del Distrito Federal Avances y perspectivas de geomática con aplicaciones ambientales, agrícolas y urbanas Fernández Y.M. Escalona M.J. Valdez J.R. Editorial del Colegio de Postgraduados Texcoco, Estado de México, México 149 169 Hernández-Tejeda T., Cox M.R., Malcolm J., Bauer L.I., Vargas H.J., Velázquez M.A. y Alvarado-Rosales D. (2001). Impacto del ozono sobre el polen de Pinus hartwegii Lindl. Ciencia Forestal en México 26 (89), 5-18. Hernández-Tejeda T. Cox M.R. Malcolm J. Bauer L.I. Vargas H.J. Velázquez M.A. Alvarado-Rosales D. 2001 Impacto del ozono sobre el polen de Pinus hartwegii Lindl Ciencia Forestal en México 26 89 5 18 INECC (2016). Diagnóstico sobre la calidad del aire en cuencas atmosféricas de México; informe final: contaminación y salud ambiental. Instituto Nacional de Ecología y Cambio Climático, Secretaría de Medio Ambiente y Recursos Naturales. Ciudad de México, México, 72 pp. INECC 2016 Diagnóstico sobre la calidad del aire en cuencas atmosféricas de México; informe final: contaminación y salud ambiental Instituto Nacional de Ecología y Cambio Climático, Secretaría de Medio Ambiente y Recursos Naturales Ciudad de México, México 72 72 ITF-OECD-CDMX (2017). Strategies for mitigating air pollution in Mexico City: International Best Practice. International Transport Forum-Organization for the Economic Cooperation and Development-Ciudad de México. Paris, Francia, 108 pp. ITF-OECD-CDMX 2017 Strategies for mitigating air pollution in Mexico City: International Best Practice International Transport Forum-Organization for the Economic Cooperation and Development-Ciudad de México Paris, Francia 108 108 Jazcilevich D.A., García A.R. y Ruiz-Suárez L.G. (2003). A study of air flow patterns affecting pollutant concentrations in the central region of Mexico. Atmos. Environ. 37 (2), 183-193. https://doi.org/10.1016/S1352-2310(02)00893-2 Jazcilevich D.A. García A.R. Ruiz-Suárez L.G. 2003 A study of air flow patterns affecting pollutant concentrations in the central region of Mexico Atmos. Environ. 37 2 183 193 https://doi.org/10.1016/S1352-2310(02)00893-2 López V.E., García P.M.D., Peral P.N., Ballester D.F., Íñiguez F.C. y Pita T.M.L. (2008). Caracterización del ambiente atmosférico en Las Palmas de Gran Canaria y Santa Cruz de Tenerife: 2000-2004. Rev. Esp. Salud Públic. 82 (5), 493-507. https://doi.org/10.1590/S1135-57272008000500005 López V.E. García P.M.D. Peral P.N. Ballester D.F. Íñiguez F.C. Pita T.M.L. 2008 Caracterización del ambiente atmosférico en Las Palmas de Gran Canaria y Santa Cruz de Tenerife: 2000-2004 Rev. Esp. Salud Públic. 82 5 493 507 https://doi.org/10.1590/S1135-57272008000500005 López-López M.A., Velázquez-Mendoza J., Velázquez-Martínez A., González-Romero V. y Cetina-Alcalá V.M. (1998). Estado nutrimental de Abies religiosa en un área con problemas de contaminación ambiental. Agrociencia 32 (1), 53-59. López-López M.A. Velázquez-Mendoza J. Velázquez-Martínez A. González-Romero V. Cetina-Alcalá V.M. 1998 Estado nutrimental de Abies religiosa en un área con problemas de contaminación ambiental Agrociencia 32 1 53 59 Montiel-Palma S. (2006). Análisis de la calidad del aire en el Valle de México a partir del año 1986. Tesis de Maestría en Ingeniería Ambiental. Facultad de Ingeniería, Universidad Nacional Autónoma de México, Ciudad de México, México, 85 pp. Montiel-Palma S. 2006 Análisis de la calidad del aire en el Valle de México a partir del año 1986 Maestría en Ingeniería Ambiental Facultad de Ingeniería, Universidad Nacional Autónoma de México 85 85 Musso H., Boemo A., Ávila G. y Farfán R. (2002). Concentraciones de ozono y dióxido de nitrógeno en la troposfera de Salta (Capital). Avances en Energías Renovables y Medio Ambiente 6 (1), 17-22. Musso H. Boemo A. Ávila G. Farfán R. 2002 Concentraciones de ozono y dióxido de nitrógeno en la troposfera de Salta (Capital) Avances en Energías Renovables y Medio Ambiente 6 1 17 22 Novoa B.J., Parra D., Quijano S., Orrego D. y Becerra M. (2014). Análisis de dependencia usando regresión lineal múltiple y regresión de componentes principales en contaminantes del aire y parámetros meteorológicos: caso de estudio. Revista Quid (23), 13-20. Novoa B.J. Parra D. Quijano S. Orrego D. Becerra M. 2014 Análisis de dependencia usando regresión lineal múltiple y regresión de componentes principales en contaminantes del aire y parámetros meteorológicos: caso de estudio Revista Quid 23 13 20 Ooka R., Khiem M., Hayami H., Yoshikado H., Huang H. y Kawamoto Y. (2011). Influence of meteorological conditions on summer ozone levels in the central Kanto area of Japan. Procedia Environ. Sci. 4, 138-150. https://doi.org/10.1016/j.proenv.2011.03.017 Ooka R. Khiem M. Hayami H. Yoshikado H. Huang H. Kawamoto Y. 2011 Influence of meteorological conditions on summer ozone levels in the central Kanto area of Japan Procedia Environ. Sci. 4 138 150 https://doi.org/10.1016/j.proenv.2011.03.017 Pérez-Camacho M., López-López M.A., Equihua-Martínez A., Cetina-Alcalá V.M. y Méndez-Montiel J.T. (2013). Relationships between site factors and bark beetle attack on pine trees. J. Biol. Sci. 13 (7), 621-627. https://doi.org/10.3923/jbs.2013.621.627 Pérez-Camacho M. López-López M.A. Equihua-Martínez A. Cetina-Alcalá V.M. Méndez-Montiel J.T. 2013 Relationships between site factors and bark beetle attack on pine trees J. Biol. Sci. 13 7 621 627 https://doi.org/10.3923/jbs.2013.621.627 Ramos H.S., Bautista M.R. y Valdez M.A. (2010). Estudio estadístico de la correlación entre contaminantes atmosféricos y variables meteorológicas en la zona norte de Chiapas, México. Universidad y Ciencia 26 (1), 65-80. Ramos H.S. Bautista M.R. Valdez M.A. 2010 Estudio estadístico de la correlación entre contaminantes atmosféricos y variables meteorológicas en la zona norte de Chiapas, México Universidad y Ciencia 26 1 65 80 SEDEMA (2017). Calidad del aire en la Ciudad de México, informe 2016. Secretaría del Medio Ambiente de la Ciudad de México. Ciudad de México, México, 34 pp. SEDEMA 2017 Calidad del aire en la Ciudad de México, informe 2016 Secretaría del Medio Ambiente de la Ciudad de México Ciudad de México, México 34 34 SEDEMA (2019). Mapa de la Red Automática de Monitoreo Atmosférico y Red de Meteorología y Radiación Solar. Secretaria del Medio Ambiente de la Ciudad de México. Ciudad de México, México [en línea]. http://www.aire.cdmx.gob.mx/default.php?opc=%27ZaBhnmM=%27 10/09/18 SEDEMA 2019 Mapa de la Red Automática de Monitoreo Atmosférico y Red de Meteorología y Radiación Solar Secretaria del Medio Ambiente de la Ciudad de México Ciudad de México, México http://www.aire.cdmx.gob.mx/default.php?opc=%27ZaBhnmM=%27 10/09/18 SEMARNAT (2018). Calidad del aire: una práctica de vida. Secretaría de Medio Ambiente y Recursos Naturales. Ciudad de México, México [en línea]. https://www.gob.mx/semarnat/articulos/calidad-del-aire-una-practica-de-vida 5/03/2019 SEMARNAT 2018 Calidad del aire: una práctica de vida. Secretaría de Medio Ambiente y Recursos Naturales Ciudad de México, México https://www.gob.mx/semarnat/articulos/calidad-del-aire-una-practica-de-vida 5/03/2019 WHO (2006). WHO air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide: Global update 2005; summary of risk assessment. World Health Organization. Ginebra, Suiza, 20 pp. WHO 2006 WHO air quality guidelines for particulate matter, ozone, nitrogen dioxide and sulfur dioxide: Global update 2005; summary of risk assessment World Health Organization Ginebra, Suiza 20 20