{"id":1823,"date":"2025-11-04T17:46:27","date_gmt":"2025-11-04T20:46:27","guid":{"rendered":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1823"},"modified":"2025-11-05T12:59:42","modified_gmt":"2025-11-05T15:59:42","slug":"cuantificacion-de-la-reduccion-de-la-concentracion-de-la-columna-de-no2-troposferico-en-la-ciudad-autonoma-de-buenos-aires-durante-la-pandemia-de-covid-19","status":"publish","type":"post","link":"https:\/\/datamining.dc.uba.ar\/predictivos\/?p=1823","title":{"rendered":"Cuantificaci\u00f3n de la reducci\u00f3n de la concentraci\u00f3n de la columna de NO2 troposf\u00e9rico en la Ciudad Aut\u00f3noma de Buenos Aires durante la pandemia de COVID-19"},"content":{"rendered":"

Por Matias Poullain<\/strong> (Mag\u00edster en Ciencia de Datos-UBA y Cient\u00edfico de Datos en la UNESCO).<\/p>\n

1. Introducci\u00f3n<\/strong><\/span><\/p>\n

En 2020, una de las medidas m\u00e1s importantes para la prevenci\u00f3n y mitigaci\u00f3n del brote del nuevo virus SARS-CoV-2 fue la restricci\u00f3n al movimiento. Esta medida tuvo efectos positivos adicionales, como la reducci\u00f3n de la contaminaci\u00f3n atmosf\u00e9rica por di\u00f3xido de nitr\u00f3geno (NO<\/span>2<\/span>): un gas asociado a efectos adversos a la salud y el ambiente, con un corto tiempo de vida en la atm\u00f3sfera (entre 1 y 2 d\u00edas) [1]. Am\u00e9rica Latina es una de las regiones con menos estudios realizados sobre esta tem\u00e1tica, y la Ciudad Aut\u00f3noma de Buenos Aires (CABA) no es la excepci\u00f3n. En este trabajo nos proponemos cuantificar la reducci\u00f3n de la columna de NO<\/span>2<\/span> durante la restricci\u00f3n a la circulaci\u00f3n en CABA entre el 20\/03\/2020 y el 06\/11\/2020. Utilizando datos hist\u00f3ricos de conteos de veh\u00edculos en peajes, informaci\u00f3n meteorol\u00f3gica e im\u00e1genes satelitales de la columna de NO<\/span>2<\/span> troposf\u00e9rico, se evaluaron algoritmos de machine learning y, luego de seleccionar el mejor, se simul\u00f3 la columna de NO<\/span>2<\/span> en un escenario contrafactual sin restricciones, para, finalmente, comparar con los datos observados con las restricciones aplicadas. En este trabajo se logr\u00f3 desarrollar satisfactoriamente modelos de machine learning de buen desempe\u00f1o relativo tanto para la estimaci\u00f3n de la circulaci\u00f3n vehicular como para la concentraci\u00f3n de la columna de NO<\/span>2<\/span>. Se estim\u00f3 que la concentraci\u00f3n de la columna de NO<\/span>2<\/span> disminuy\u00f3 un 39 % en el primer mes y un 9 % durante todo el per\u00edodo.<\/span><\/p>\n

2. Datos<\/strong><\/span><\/p>\n

2.1 Columna de NO2 troposf\u00e9rico<\/strong><\/p>\n

La informaci\u00f3n de la columna de NO<\/span>2<\/span> troposf\u00e9rico fue medida por el sat\u00e9lite Sentinel-5P del programa Copernicus perteneciente a la ESA, con una resoluci\u00f3n espacial de 0.01\u00b0<\/span>\u00d7<\/span><\/i>0.01\u00b0 y una temporal de un d\u00eda. Su extensi\u00f3n espacial fue la suficiente para englobar a CABA. El conjunto de datos est\u00e1 disponible desde el 08\/07\/2018 hasta la actualidad. Sin embargo, el 29 de noviembre de 2020, cambiaron los criterios de recogida y preprocesamiento <\/span>[2].<\/span><\/a> Por esta raz\u00f3n, los datos posteriores al 29 de noviembre de 2020 se excluyeron del an\u00e1lisis.<\/span><\/p>\n

Para el an\u00e1lisis de las series temporales, se utiliz\u00f3 la media de la columna de NO<\/span>2<\/span> troposf\u00e9rico en una regi\u00f3n espec\u00edfica de inter\u00e9s, denominada <\/span>m\u00e1scara<\/span><\/i>: la regi\u00f3n de mayor concentraci\u00f3n de la columna de NO<\/span>2<\/span>. La <\/span>m\u00e1scara <\/span><\/i>obtenida para el an\u00e1lisis est\u00e1 presentada en la Fig. <\/span>1,<\/span><\/a> conteniendo 259 p\u00edxeles.<\/span><\/p>\n

 <\/p>\n

\"\"<\/a>

Figura 1: Mapa de la extensi\u00f3n de la m\u00e1scara.<\/p><\/div>\n

Para cada d\u00eda se calcul\u00f3 el valor promedio de los p\u00edxeles contenidos dentro de la <\/span>m\u00e1scara <\/span><\/i>obteniendo as\u00ed un valor de columna de NO<\/span>2<\/span> promedio diario. Por \u00faltimo, se realizaron distintas transformaciones de esta variable (logaritmo, ra\u00edz cuadrada, etc.) para realizar distintos tipos de ensayos que ser\u00e1n descritos m\u00e1s adelante.<\/span><\/p>\n

2.2 Variables meteorol\u00f3gicas<\/strong><\/p>\n

La informaci\u00f3n meteorol\u00f3gica fue compartida por el Servicio Meteorol\u00f3gico Nacional (SMN). Esta informaci\u00f3n fue medida en la estaci\u00f3n \u201cObservatorio\u201d ubicada en el barrio de Villa Ort\u00fazar de CABA. Para todas las variables meteorol\u00f3gicas, se pudo obtener informaci\u00f3n horaria desde el 08\/07\/2018.<\/span><\/p>\n

2. 3 Conteo Vehicular y D\u00edas Feriados<\/strong><\/p>\n

La informaci\u00f3n del conteo vehicular se encuentra disponible en la plataforma de datos abiertos de CABA <\/span>[3].<\/span><\/a> Contiene informaci\u00f3n sobre la cantidad de pasos horarios de veh\u00edculos. Se descargaron los datos de 2019 y 2020 y se calcularon los pasos totales en CABA entre el 01\/01\/2019 y el 31\/12\/2020 por hora y por d\u00eda, obteniendo de esta forma una misma variable en dos resoluciones temporales distintas: <\/span>V<\/span><\/i>h<\/span><\/i> y <\/span>V<\/span><\/i>d<\/span><\/i> (conteo vehicular horario y diario respectivamente).<\/span><\/p>\n

El listado de d\u00edas feriados y no laborables (denominados en conjunto como <\/span>feriados<\/span><\/i>) de los a\u00f1os 2019 y 2020 fue obtenido de fuentes oficiales.<\/span><\/p>\n

3. M\u00e9todos<\/span><\/strong><\/p>\n

3.1 An\u00e1lisis exploratorio<\/strong>
\nEn primera instancia, se realiz\u00f3 un an\u00e1lisis descriptivo de los datos, analizando el comportamiento espacial y\/o temporal del conteo vehicular y de la columna de NO2 antes y durante las restricciones al movimiento y su relaci\u00f3n, aplicando distintas transformaciones.<\/p>\n

3. 2 Cuantificaci\u00f3n de la reducci\u00f3n de la columna de NO2<\/strong>
\nDe forma general, para realizar la cuantificaci\u00f3n de la reducci\u00f3n de la columna del NO2 troposf\u00e9rico se gener\u00f3 un pron\u00f3stico del conteo vehicular esperado durante el per\u00edodo posterior al 20\/03\/2020 de no haberse instaurado las restricciones al movimiento. Luego, se calcul\u00f3 la columna esperada de NO2 sin restricciones al movimiento posterior al 20\/03\/2020. Por \u00faltimo, se analizaron tales predicciones y se realizaron comparaciones entre ella y los valores observados, cuantificando la reducci\u00f3n de la columna de NO2 que fue considerada debida a las restricciones.<\/p>\n

3.2.1. Estimaci\u00f3n del conteo vehicular durante el per\u00edodo de restricci\u00f3n al movimiento si no lo hubiese habido<\/em>
\nEn esta primera parte, se construy\u00f3 el llamado Modelo 1: un modelo Prophet que incluy\u00f3 como variable respuesta a Log<\/span><\/i>10<\/span>(<\/span>V<\/span><\/i>h<\/span><\/i>) <\/span>y variables explicativas a periodicidades a nivel anual, semanal y diaria, variables meteorol\u00f3gicas y efecto de los feriados.
\nPrimero, se realiz\u00f3 la hiperparametrizaci\u00f3n del modelo, con una validaci\u00f3n cruzada detallada en la Fig.
\n2 ).<\/p>\n

\"\"<\/a>

Figura 2: Diagramas de los per\u00edodos de tiempo utilizados para la validaci\u00f3n cruzada, las predicciones y como held-out para A) el Modelo 1 (conteo vehicular) y B) el Modelo 2 (columna de NO2 troposf\u00e9rico)<\/p><\/div>\n

Segundo, se entren\u00f3 el Modelo 1 con todos los datos desde el 01\/01\/2019 hasta el 20\/03\/2020 y se confirm\u00f3 la bondad de ajuste observando distintos gr\u00e1ficos resumen.<\/span><\/p>\n

Por \u00faltimo, se realiz\u00f3 una estimaci\u00f3n del conteo vehicular a futuro, en el per\u00edodo de 20\/03\/2020 hasta el 26\/11\/2020, correspondiente al conteo vehicular esperado de no haberse instaurado las restricciones al movimiento.<\/span><\/p>\n

3.2.2. Estimaci\u00f3n de la columna de NO2 durante el per\u00edodo de restricci\u00f3n al movimiento si no lo hubiese habido<\/em><\/p>\n

En esta segunda parte, se construy\u00f3 el llamado Modelo 2.
\nPara definir este Modelo, se evaluaron distintos algoritmos de machine learning. Las variables explicativas fueron variables temporales (d\u00eda de la semana, del mes, entre otras), d\u00edas feriados, variables meteorol\u00f3gicas y el conteo vehicular diario.
\nLos algoritmos puestos a prueba fueron KNN, Prophet, Ridge, SVM y XGBoost. En todos los casos, se realiz\u00f3 una optimizaci\u00f3n bayesiana similar a la descrita en la secci\u00f3n anterior, detallada en la Fig. 2 B).
\nLa informaci\u00f3n del per\u00edodo del 09\/11\/2020 al 26\/11\/2020 fue utilizada como held-out (Fig. 2 B)) a partir de la cual se calcularon distintas m\u00e9tricas de rendimiento de la predicci\u00f3n. El algoritmo elegido fue aquel que minimiz\u00f3 el RMSE y MAPE y maximiz\u00f3 el R2. Ese algoritmo fue KNN.
\nEl siguiente paso fue realizar la estimaci\u00f3n de la columna de NO2 en el per\u00edodo de 01\/01\/2019 hasta el 26\/11\/2020 utilizando el algoritmo elegido a partir del conteo vehicular diario esperado de no haberse instaurado las restricciones al movimiento (predicci\u00f3n del Modelo 1) como variable Vd. De esta forma, se obtuvo la columna de NO2 troposf\u00e9rico esperada Sin Restricciones (NO2SR).<\/p>\n

3.2.3. Comparaciones de las columnas de NO<\/span><\/i>2<\/span><\/p>\n

En esta \u00faltima secci\u00f3n se cuantific\u00f3 la reducci\u00f3n de la columna de NO<\/span>2<\/span> calculando un cociente <\/span>Q <\/span><\/i>definido como el <\/span>promedio de los valores diarios de NO<\/span><\/i>2<\/span> observado sobre los de NO<\/span><\/i>2<\/span>SR.<\/span><\/i><\/p>\n

Se calcul\u00f3 un Q por cada mes que contuvo d\u00edas de restricciones (marzo a noviembre del 2020 inclusive) y un Q general para todo el per\u00edodo de restricciones.<\/span><\/p>\n

4. Resultados<\/span><\/strong><\/p>\n

4.1 Conteo vehicular<\/strong><\/p>\n

El an\u00e1lisis descriptivo del conteo vehicular mostr\u00f3 que esta variable presenta un rango muy amplio de valores observados y de una variabilidad muy grande diaria y semanal, y con un cambio en la tendencia general muy marcado a partir del inicio de las restricciones al movimiento el 20 de marzo del 2020 (Fig. 3). A partir de esa fecha, se distingui\u00f3 una tendencia general creciente en los valores medios y en la variabilidad, alcanzando valores similares a los del a\u00f1o anterior reci\u00e9n en las \u00faltimas semanas de diciembre.<\/p>\n

\"\"<\/a>

Figura 3: Boxplot del conteo vehicular horario agrupado por semana y pintado seg\u00fan su per\u00edodo en relaci\u00f3n a las restricciones al movimiento.<\/p><\/div>\n

El comportamiento semanal y diario del conteo vehicular present\u00f3 un comportamiento c\u00edclico a lo largo de todo el per\u00edodo de estudio (Fig. <\/span>4).<\/span><\/a> La variaci\u00f3n semanal se caracteriza por valores m\u00e1ximos de entre los mi\u00e9rcoles y viernes, y m\u00ednimos los fines de semana. En cuanto a las variaciones diarias, en los d\u00edas de semana, el conteo vehicular es muy reducido a horas de la madrugada y muy alto desde las 7 hasta las 19 hs. En los fines de semana y feriados, la variaci\u00f3n es similar pero con una amplitud reducida. Durante el per\u00edodo de restricciones se observ\u00f3 una disminuci\u00f3n del conteo de veh\u00edculos; sin embargo, la variaci\u00f3n relativa se mantuvo similar. Estos comportamientos peri\u00f3dicos se evidenciaron en los picos de 24 y 168 horas observados en el autocorrelograma (Fig. <\/span>5<\/span><\/a>).<\/span><\/p>\n

\"\"<\/a>

Figura 4: Variaciones semanales y diarias del conteo vehicular en los per\u00edodos sin (verde) y con (naranja) restricciones al movimiento. La l\u00ednea m\u00e1s oscura representa el promedio y el sombreado que lo rodea al desv\u00edo est\u00e1ndar. A: Variaci\u00f3n semanal; promedios del conteo vehicular horario por d\u00eda de la semana. B: Variaci\u00f3n diaria: promedios del conteo vehicular horario por hora del d\u00eda y agrupado por caracter\u00edstica del d\u00eda (de semana, de fin de semana, feriado).<\/p><\/div>\n

\"\"<\/a>

Figura 5: Autocorrelograma de la serie de tiempo del conteo vehicular horario. Los puntos que se encuentran fuera del \u00e1rea sombreada representan correlaciones significativas.<\/p><\/div>\n

4. 2<\/strong>\u00a0 <\/b>NO<\/b>2<\/span> troposf\u00e9rico<\/b><\/p>\n

En las im\u00e1genes satelitales diarias descargadas (previo a la delimitaci\u00f3n de la <\/span>m\u00e1scara<\/span><\/i>), ya se pudo observar un fuerte descenso de la columna de NO<\/span>2<\/span> sobre CABA. En la Fig. <\/span>6<\/span><\/a> se destaca la fuerte disminuci\u00f3n de la columna en abril 2020 comparada a febrero 2020 y a abril 2019.<\/span><\/p>\n

 <\/p>\n

\n
\"\"<\/a>

Figura 6: Mapas de la columna de NO2 troposf\u00e9rico promedio mensual para los febreros y abriles 2019 y 2020<\/p><\/div>\n

La Fig. <\/span>7<\/span><\/a> destaca el comportamiento semanal de la serie de tiempo de la columna de NO<\/span>2<\/span>. Se pueden observar valores m\u00e1s altos en los d\u00edas de semana, especialmente en los jueves y viernes, y valores m\u00e1s bajos los s\u00e1bados y domingos.\u00a0<\/span><\/p>\n

\"\"<\/a>

Figura 7: Boxplot de la columna media diaria observada de NO2 troposf\u00e9rico seg\u00fan el d\u00eda de la semana y su per\u00edodo en relaci\u00f3n a las restricciones.<\/p><\/div>\n

En cuanto al an\u00e1lisis del dominio de la frecuencia (Fig. <\/span>8)<\/span><\/a> se observaron picos cercanos a los 7, 28 y 365 (punto medio entre 292.33 y 438.5) d\u00edas aunque la se\u00f1al es apreciablemente m\u00e1s ruidosa que aquella del conteo vehicular, evidenciando un marcado comportamiento semanal y anual.<\/span><\/p>\n

\"\"<\/a>

Figura 8: Espectro de la amplitud del dominio de la frecuencia de la serie temporal de la columna diaria de NO2<\/p><\/div>\n

4.3 Cuantificaci\u00f3n de la reducci\u00f3n de la columna de NO<\/b>2<\/span><\/span><\/p>\n

4. 3.1. Estimaci\u00f3n del conteo vehicular durante el per\u00edodo de restricci\u00f3n al movimiento si no lo hubiese habido<\/span><\/i><\/p>\n

El resultado de las predicciones del Modelo 1, junto con el conteo vehicular observado para la semana en la cual se instauraron las restricciones al movimiento se presentan en la Fig. <\/span>9,<\/span><\/a> donde se puede observar que las predicciones durante el per\u00edodo previo a las restricciones al movimiento son cercanas a los valores observados, mientras que las predicciones son mucho mayores durante los primeros meses de las restricciones.<\/span><\/p>\n

\"\"<\/a>

Figura 9: Conteos vehiculares horarios observados y estimados por el Modelo 1 con su intervalo de incerteza durante los meses de marzo y abril de 2019 (arriba) y 2020 (abajo).<\/p><\/div>\n

4.3.2. Estimaci\u00f3n de la columna de NO<\/span><\/i>2<\/span> durante el per\u00edodo de restricciones si no lo hubiese habido.<\/span><\/i><\/p>\n

La estimaci\u00f3n de NO<\/span>2<\/span>SR utilizando el algoritmo KNN con hiperpar\u00e1metros optimizados se visualiz\u00f3 en la Fig. <\/span>10.<\/span><\/a> La variabilidad de la columna de NO<\/span>2<\/span> observado es mucho mayor a la estimada por NO<\/span>2<\/span>SR como se muestra en la Fig. <\/span>11:<\/span><\/a> previo al inicio de las restricciones, a valores bajos y medios de la columna de NO<\/span>2<\/span>, los estimados son similares a los observados. Mientras que los valores observados altos son subestimados por el modelo.<\/span><\/p>\n

\"\"<\/a>

Figura 10: Columna de NO2 observada y predicha por el Modelo 2 durante el per\u00edodo de restricciones al movimiento.<\/p><\/div>\n

\"\"<\/a>

Figura 11: Observados vs. estimados por el Modelo 2 previo al inicio del per\u00edodo de restricciones.<\/p><\/div>\n

4.3.3. Comparaciones de las columnas de NO<\/span><\/i>2<\/span><\/p>\n

En cuanto a la cuantificaci\u00f3n de la reducci\u00f3n de la columna de NO<\/span>2<\/span>, se estim\u00f3 que en el per\u00edodo de restricciones, esta se redujo un 9 %, aunque esta reducci\u00f3n no fue homog\u00e9nea, siendo mayor en los primeros meses; siendo abril el primero completo en restricciones, este present\u00f3 una reducci\u00f3n cercana al 39 %. Adem\u00e1s, al comparar las estimaciones de la reducci\u00f3n promedio de la columna de NO<\/span>2<\/span> y del conteo vehicular horario (Tabla <\/span>1),<\/span><\/a> se observ\u00f3 que la del conteo vehicular fue m\u00e1s importante que la del NO<\/span>2<\/span> en todos los meses con restricciones.<\/span><\/p>\n

\"\"<\/a><\/p>\n

5. Discusi\u00f3n y Conclusiones<\/span><\/strong><\/p>\n

En este trabajo se estim\u00f3 la disminuci\u00f3n del flujo vehicular y de la columna de NO<\/span>2<\/span> desde el inicio de las restricciones a la circulaci\u00f3n impuesta el 20 de marzo de 2020 hasta su finalizaci\u00f3n el 6 de noviembre del mismo a\u00f1o.<\/span><\/p>\n

El conteo vehicular en las casillas de peajes mostr\u00f3 una din\u00e1mica temporal diaria y semanal marcadas que podr\u00edan ser explicadas por la actividad laboral de la ciudad.<\/span><\/p>\n

El Modelo 1 pudo representar las variaciones del conteo vehicular a partir de las distintas periodicidades temporales y de variables meteorol\u00f3gicas, estimando una reducci\u00f3n del 45 % en todo el per\u00edodo.<\/span><\/p>\n

En cuanto al Modelo 2, se lograron realizar predicciones para la columna de NO<\/span>2<\/span> en un escenario sin la ocurrencia de las restricciones al movimiento. La concentraci\u00f3n de NO<\/span>2<\/span> est\u00e1 determinada tanto por factores naturales como antropog\u00e9nicos <\/span>[4,<\/span><\/a> 5,<\/span><\/a> 6,<\/span><\/a> 7]<\/span><\/a> en los cuales, en l\u00ednea con lo observado en este trabajo, la columna de NO<\/span>2<\/span> present\u00f3 una asociaci\u00f3n positiva con la circulaci\u00f3n vehicular y una negativa con la temperatura y la intensidad del viento.<\/span><\/p>\n

En cuanto a la reducci\u00f3n de la concentraci\u00f3n de NO<\/span>2<\/span> durante las restricciones al movimiento, se estim\u00f3 una reducci\u00f3n promedio del 39 % durante el primer mes completo con restricciones (abril) y del 9 % durante todo el per\u00edodo. Este resultado se encuentra alineado con otras estimaciones previas realizadas con distintas estrategias metodol\u00f3gicas: 30 % <\/span>[8],<\/span><\/a> 39 % <\/span>[9]<\/span><\/a> y 20-26 % <\/span>[4].<\/span><\/a><\/p>\n

En conclusi\u00f3n, las restricciones al movimiento en CABA tuvieron un objetivo principal que fue disminuir la transmisi\u00f3n del virus SARS-CoV-2 entre los habitantes. Estas medidas generaron diversos efectos secundarios, entre ellos la disminuci\u00f3n de contaminantes atmosf\u00e9ricos. En este trabajo se cuantific\u00f3 la reducci\u00f3n <\/span>de la concentraci\u00f3n de la columna de NO<\/span>2<\/span> sobre CABA durante las restricciones al movimiento del 2020. Se estim\u00f3 que durante el primer mes de restricciones, la reducci\u00f3n fue del 39 % mientras que durante todo el per\u00edodo, la reducci\u00f3n fue del 9 %.<\/span><\/p>\n

Referencias<\/b><\/span><\/p>\n

    \n
  1. D. Vallero, <\/span>Fundamentals of air pollution<\/span><\/i>.\u00a0 Academic press, 2014.<\/span><\/li>\n
  2. TROPOMI,\u00a0 \u201cLevel\u00a0 2\u00a0 products.\u201d\u00a0 [Online].\u00a0 Available:\u00a0https:\/\/sentinels.copernicus.eu\/data-products\/-\/asset_publisher\/fp37fc19FN8F\/content\/sentinel-5-precursor-level-2-nitrogen-dioxide<\/a><\/span><\/li>\n
  3. A. U. A. S. de Transporte y Obras P\u00fablicas. Jefatura de Gabinete de Ministros, \u201cFlujo vehicular por unidades de peaje ausa.\u201d [Online]. Available: https:\/\/data.buenosaires.gob.ar\/dataset\/flujo-vehicular-por-unidades-peaje-ausa<\/a>\u00a0<\/span><\/li>\n
  4. M. L. Briganti, \u201cImpacto del confinamiento debido a la covid-19 en la concentraci\u00f3n de contaminantes medidos en la ciudad de buenos aires,\u201d 2021.<\/span><\/li>\n
  5. L. E. Venegas, N. A. Mazzeo, and M. C. Dezzutti, \u201cA simple model for calculating air pollution within street canyons,\u201d <\/span>Atmospheric Environment<\/span><\/i>, vol. 87, pp. 77\u201386, 2014. [Online]. Available: <\/span>https:\/\/www.sciencedirect.com\/science\/article\/pii\/S1352231014000144<\/span><\/a><\/li>\n
  6. A. L. Pineda Rojas and L. E. Venegas, \u201cUpgrade of the daumod atmospheric dispersion model to estimate urban background no2 concentrations,\u201d <\/span>Atmospheric Research<\/span><\/i>, vol. 120-121, pp. 147\u2013154, 2013. [Online]. Available: <\/span>https:\/\/www.sciencedirect.com\/science\/article\/pii\/S0169809512002773<\/span><\/a><\/li>\n
  7. L. Venegas, N. Mazzeo, and A. Pineda Rojas, <\/span>Evaluation of an Emission Inventory and Air Pollution in the Metropolitan Area of Buenos Aires<\/span><\/i>, 06 2011.<\/span><\/li>\n
  8. N. S. Represa, L. S. Della Ceca, G. Abril, M. F. G. Ferreyra, C. M. Scavuzzo <\/span>et al.<\/span><\/i>, \u201cAtmospheric pollutants assessment during the covid-19 lockdown using remote sensing and ground-based measurements in buenos aires, argentina,\u201d <\/span>Aerosol and Air Quality Research<\/span><\/i>, vol. 21, no. 3, p. 200486, 2021.<\/span><\/li>\n
  9. S. Liu, P. Valks, S. Beirle, and D. G. Loyola, \u201cNitrogen dioxide decline and rebound observed by gome-2 and tropomi during covid-19 pandemic,\u201d <\/span>Air Quality, Atmosphere & Health<\/span><\/i>, vol. 14, no. 11, pp. 1737\u2013 1755, 2021.<\/span><\/li>\n<\/ol>\n<\/div>\n","protected":false},"excerpt":{"rendered":"

    Por Matias Poullain (Mg. en Ciencia de Datos-UBA). En este trabajo de tesis nos propusimos cuantificar la reducci\u00f3n de la columna de NO2 durante la restricci\u00f3n a la circulaci\u00f3n en CABA en 2020 y se logr\u00f3 desarrollar satisfactoriamente modelos de machine learning de buen desempe\u00f1o relativo tanto para la estimaci\u00f3n de la circulaci\u00f3n vehicular como para la concentraci\u00f3n de la columna de NO2.<\/p>\n","protected":false},"author":4,"featured_media":1825,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false},"categories":[22,25,29],"tags":[31,30],"_links":{"self":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1823"}],"collection":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=1823"}],"version-history":[{"count":11,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1823\/revisions"}],"predecessor-version":[{"id":1850,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/posts\/1823\/revisions\/1850"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=\/wp\/v2\/media\/1825"}],"wp:attachment":[{"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=1823"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=1823"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datamining.dc.uba.ar\/predictivos\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=1823"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}