Anales AFA Vol. 33 Nro. 1 (Abril 2022 - Julio 2022) 18-23
https://doi.org/10.31527/analesafa.2022.33.1.18
Fisica de la atmósfera, la tierra y el agua. Física del medio ambiente
MÉTODOS DE BAJO COSTO PARA ESTUDIO PRELIMINAR DEL MATERIAL
PARTICULADO EN EL CENTRO-NORTE DEL CONURBANO BONAERENSE
LOW-COST METHODS TO PARTICULATE MATTER PRELIMINARY STUDY IN THE
CENTER-NORTH OF BUENOS AIRES SUBURBS
A. F. Scagliotti*1, D. G. A. Jorge1
1Instituto de Ciencias - Universidad Nacional de General Sarmiento - CONICET, J. M. Gutierrez
1150 - (1613) Buenos Aires - Argentina.
Autor para correspondencia: * ascagliotti@campus.ungs.edu.ar
Recibido: 07/09/2021; Aceptado: 21/11/2021
ISSN 1850-1168 (online)
Resumen
La calidad del aire es uno de los mayores problemas ambientales de la actualidad, y las partículas
en el aire son un indicador muy estudiado dados sus impactos sobre la salud y el clima. El costo de
los equipos regulatorios de medición lleva a que haya una limitada disponibilidad de información en
muchas partes del mundo, como sucede en Argentina. Este trabajo propone un modelado de mate-
rial particulado a partir de Redes Neuronales Artificiales, alimentado con datos de equipos de bajo
costo desarrollados y utilizados para tal fin. De esta manera, se presenta un estudio preliminar de la
calidad del aire en el Centro-Norte del conurbano bonaerense, aportando nueva información sobre
cantidades y tipos de partículas en una región sin antecedentes históricos. Se encontraron mayori-
tariamente partículas gruesas en bajas concentraciones y se desarrolló un modelo de predicción de
material particulado con buenas prestaciones.
Palabras clave: calidad del aire, mediciones de bajo costo, redes neuronales.
Abstract
Air quality is one of the biggest environmental problems today, and airborne particles are a well-
studied indicator given their impacts on health and climate. The cost of regulatory measurement
equipment leads to limited information availability in many parts of the world, as in Argentina. This
work proposes modeling of particulate matter from Artificial Neural Networks, fed with data from
low-cost equipment developed and used for this purpose. In this way, a study of air quality in the
Center-North of the Buenos Aires suburbs is presented, providing new information on quantities and
types of particles in a region without historical antecedents. Coarse particles were mostly found at low
concentrations and a prediction model for particulate matter with good performance was developed.
Keywords: air quality, low cost measurements, neural networks.
1. INTRODUCCIÓN
Según la Organización Mundial de la Salud, mueren prematuramente 4.2 millones de personas por
año debido a la contaminación del aire, mientras que más del 80% de los habitantes de áreas urbanas
con monitoreo están expuestos a niveles que exceden los límites establecidos, especialmente en países
en desarrollo [1]. Es por ello que resulta imprescindible avanzar en la generación de conocimiento y
en la comprensión de los procesos involucrados al respecto, que son herramientas indispensable en
aplicaciones regulatorias, de investigación científica y forenses [2]. Uno de los principales indicadores
1
de la calidad del aire (CA) son las partículas que permanecen suspendidas en la atmósfera, las cuales
también tienen el potencial de impactar en el clima [3]. Cercanas a la superficie se caracterizan por su
diámetro aerodinámico equivalente, recurriendo a la simplificación de partículas esféricas con densi-
dad igual a la unidad, como material particulado (PM): PM10 ( para partículas de tamaños menores
a 10 µm), PM2.5(para partículas de tamaños menores a 2.5 µm) y PM1(para partículas de tamaños
menores a 1 µm). Por otro lado, en una columna atmosférica se denominan aerosoles y se caracteri-
zan comúnmente con el espesor óptico de aerosoles (AOD), que cuantifica la extinción de la luz solar
del tope de la atmósfera hasta la superficie debida a la presencia de partículas. El comportamiento de
las partículas en la atmósfera depende tanto de las características de la zona en estudio como de las
variables meteorológicas a diferentes escalas espaciales y temporales [4].
Respecto a la disponibilidad de información sobre CA, las mediciones de contaminantes a nivel de
superficie requieren instrumentos muy costosos, por lo que en muchas ciudades del mundo se cuenta
con una cobertura limitada y una distribución irregular o inexistente de estaciones de monitoreo [5].
Esta problemática puede mitigarse actualmente gracias a la disponibilidad de sensores de bajo costo
(LCS) para el monitoreo de la CA [3]. Por supuesto, esta tecnología tiene sus limitaciones y los
sensores deben ser calibrados/validados con instrumentos de referencia.
Otro enfoque complementario para estudiar la CA es el empleo de modelos numéricos y estadís-
ticos. Dentro del abanico de posibilidades, los algoritmos de aprendizaje automático o Redes Neu-
ronales Artificiales (ANN) han mostrado tener un alto potencial para extraer nueva información de
una serie de datos [6]. Se trata de modelos no paramétricos usados para regresión y/o clasificación,
robustos en la interpretación de relaciones no lineales entre variables. Este tipo de modelos ha sido
ampliamente empleado para realizar predicciones y caracterizaciones de contaminantes en el aire [6].
La sede central de la Universidad Nacional de General Sarmiento (UNGS), donde se realizaron los
desarrollos y mediciones para este estudio, se encuentra en la región Centro-Norte del conurbano bo-
naerense (en una zona sin cobertura histórica de mediciones de CA), a poco más de 30 km del centro
de la Ciudad Autónoma de Buenos Aires (CABA). Diversos motivos hacen a la población de esta
zona particularmente vulnerable a la CA [7].
Este trabajo muestra la combinación de diferentes enfoques de bajo costo en pos de estudiar la CA
en la región de estudio, en cuanto a partículas en el aire. En primera instancia, se describe el desarrollo
y monitoreo con un equipo de bajo costo para medición de PM “ECAUNGS”, y se complementa con
una simulación desde un enfoque físico. Luego, se presentan mediciones de propiedades ópticas de
aerosoles con un fotómetro solar de bajo costo. Finalmente, se integran los métodos e información
recopilada con un modelo de predicción de PM basado en ANN. Se eligió como objetivo el PM2.5,
dado que el interés actual de investigación en CA para partículas se encuentra centrado en fracciones
finas por sus efectos sobre la salud [8], y la precisión de los LCS es mayor en esta fracción de tamaños
[9].
2. MÉTODOS
Simulaciones de distribuciones de partículas
Con el fin de contar con una referencia en torno a los tamaños de partículas que afectan a las
señales de un sensor de PM, se utilizó la librería “opcsim” [10] para lenguaje Python que permite
simular sensores de PM y programar a medida diferentes distribuciones. Se muestran las funciones
de distribución acumulada para aerosoles de ambientes típicos, construidas en base a la suma de
modos lognormales con parámetros (números de concentración, medianas del diámetro de partículas
y desviación estándar de tamaños) extraídos de Seinfeld & Pandis (2016) [11].
Desarrollo de equipo de bajo costo ECAUNGS y mediciones de PM
Para medir PM en superficie, se diseñó y desarrolló un prototipo de mini-estación de CA de bajo
costo, que fue denominado ECAUNGS.
2
FIG. 1: Circuito de conexiones de los sensores, actuadores y la placa de control.
El equipo cuenta con un sensor de humedad, presión y temperatura BME280 (seleccionado lue-
go de una inter-comparación con diferentes alternativas [12]) y otro de PM con dispersión láser
PMS5003, previamente caracterizado y validado con equipo calibrado. La estación se controla a tra-
vés de una placa Arduino UNO R3 y cuenta con módulos de reloj y SD para almacenamiento de los
datos. La Fig. 1muestra el circuito básico del desarrollo.
Asimismo, cuenta con un abrigo meteorológico para el sensor de humedad, presión y temperatura.
Posee una entrada de aire que se encuentra conectada a través de una manguera al sensor de PM, un
LED indicador verde para indicar la frecuencia de muestreo y otro de color rojo para indicar alguna
falla en el funcionamiento. Todo el equipo puede alimentarse con una fuente switching de 9 V y 1 A,
pero con el fin de darle independencia energética se implementó un sistema de alimentación a través
de un panel solar de 10 W (tensión de 18.2 V y corriente de 0.52 A, operando en potencia máxima)
conectado a través de un regulador a una batería de gel de 12 V y 7 Ah. En un reservorio digital creado
para tal fin [13], se puede consultar el código de control desarrollado para ECAUNGS en lenguaje
C++ y ejecutado en la “Interfaz De Usuario” de Arduino. La Fig. 2muestra las partes del circuito
central y la instalación de ECAUNGS.
FIG. 2: Componentes físicos del circuito central e instalación final del equipo. a) Módulos, sensor de PM y
placa central. b) Presentación de la instalación final del prototipo ECAUNGS. El panel solar se ubica apuntan-
do al Norte con unos 15◦de inclinación respecto a la superficie, y por debajo se ubican la central y el abrigo.
Finalmente, se instaló ECAUNGS en un domicilio particular cercano a la UNGS y se realizaron
mediciones entre junio de 2019 y enero de 2021. El período de muestreo de ECAUNGS se estableció
en aproximadamente 1 segundo (que varía levemente por tiempos de comunicación entre los com-
ponentes). En total, se contó con 165 días de mediciones, con un total de 13711356 líneas de datos
(cada línea con datos de fecha en formato DD/MM/AAAA, hora en formato HH:MM:SS, PM1,PM2.5,
PM10, humedad, presión y temperatura). Se practicó un control de calidad de datos partiendo de la
frecuencia de muestreo original, eliminando datos fuera de rango (>500 µgm−3) y no numéricos.
3
Luego, se buscaron en la serie temporal pendientes elevadas en búsqueda de datos atípicos (para ello
se determinó como dato sospechoso a aquel que involucre una diferencia con su dato vecino mayor
a 2 desviaciones estándar de la serie completa). Este método se implementó posteriormente en una
base minutal (tras aplicar un promedio móvil a las series) y horaria, como se recomienda en Bulot et.
al (2019) [9].
Mediciones fotométricas
Se llevaron a cabo mediciones manuales de AOD en el sitio de la UNGS con un fotómetro so-
lar calibrado de bajo costo CALITOO (identificación #1703-0304) del programa “Global Learning
and Observation to Benefit the Environment” (GLOBE), durante el mismo periodo de medición de
ECAUNGS. La descripción del instrumento, método de medición y un primer estudio de propiedades
ópticas de aerosoles puede consultarse en Scagliotti y Jorge (2020) [14]. Se contó con 136 mediciones
del periodo junio de 2019 a enero de 2021, que fueron utilizadas en el modelado con ANN.
Modelado ANN con datos adquiridos
Las ANN consisten en un conjunto de unidades simples de procesamiento que se comunican a
través de múltiples conexiones. El modelo de Perceptrón Multicapa (MLP, por su denominación en
inglés "Multi Layer Perceptron") es la forma más utilizada de ANN [6]. El modelo se entrena con
diferentes variables de entrada (predictores) y la serie de la variable objetivo (a predecir), de esa
manera “aprende” las relaciones en un proceso que divide a los datos en un porcentaje utilizado para
el entrenamiento, otro para la validación del modelo y un último para una prueba final (en este caso,
se utilizó 60%, 20% y 20%, respectivamente). La estructura básica consta de una capa de entrada,
una o varias ocultas y una de salida.
La Fig. 3muestra un esquema básico de una ANN tipo MLP con una sola entrada (neurona i) y
una sola neurona oculta kde procesamiento. A la información de entrada se le asigna un peso ωi,ky
se le suma un sesgo bka través de una función Fken la neurona oculta, luego el resultado se asigna a
una neurona de salida o. Normalmente hay varias neuronas de entrada y varias ocultas, en cuyo caso
cada entrada interactúa con todas las neuronas ocultas y el resultado final surge de la suma de cada
salida. A cada iteración (llamada época), la red compara el valor deseado con el adquirido a partir de
todos los datos de entrada y calcula un error que realimenta el modelo para ajustar los pesos de las
neuronas, todo controlado por una regla de aprendizaje. Cuando se alcanza un mínimo de error, el
entrenamiento se detiene.
FIG. 3: Representación de una red neuronal MLP con una neurona de entrada i, una neurona oculta k y una
neurona o en la última capa con una salida yo. La información fluye de izquierda a derecha. Una época o
iteración involucra una cantidad de comparaciones igual en número a la cantidad de datos de entrada.
Se implementó un modelo integrador de tipo ANN MLP para predecir PM2.5en el Centro-Norte
del conurbano bonaerense y se consideraron como entradas las medias horarias de las mediciones de
ECAUNGS y del fotómetro solar, es decir los promedios por hora durante el periodo de medición de
ECAUNGS. Además de otras representativas a nivel regional de concentraciones de contaminantes y
4
meteorología de la estación de monitoreo de CA de ACUMAR EMCI en Dock Sud [15], y datos de
asimilación del NOAA [16]. Luego de testear el modelo con las diferentes variables disponibles, se
seleccionaron los siguientes predictores: PM10acu (PM10 de ACUMAR); Uacu (componente zonal
del viento calculada con datos de viento de ACUMAR); Vacu (componente meridional del viento
calculado con datos de viento de ACUMAR); BLH (altura de capa de mezcla del NOAA); AODungs
(AOD medido con fotómetro solar); meses (mes del año de cada medición de ECAUNGS); hora (hora
del día de cada medición de ECAUNGS).
El objetivo del modelo es predecir PM2.5horario, por lo que se entrenó con esa variable medida
por ECAUNGS como objetivo y se utilizaron datos horarios entre junio de 2019 y enero de 2021
del resto de las variables para entrenar el modelo. También se buscó optimizar la arquitectura y los
parámetros de la red. Se utilizó el “toolbox” de Redes Neuronales en lenguaje GNU OCTAVE para el
desarrollo.
3. RESULTADOS
Se integraron las distribuciones volumétricas de partículas típicas simuladas con “opcsim” para
obtener las cargas másicas por unidad de volumen (concentraciones C) en función del tamaño de
partículas (normalizado por la densidad δ). La Fig. 4muestra las funciones de distribución acumulada
de estos resultados. Se pueden interpretar algunas características que influyen en las señales del sensor
de PM, especialmente las fracciones entre los valores de diferentes rangos de tamaños. Si se realiza
el cociente entre los valores de masa total de PM10 yPM1, se obtiene una magnitud (que llamaremos
PM10/1) que aporta información sobre la fracción de tamaños de partículas presentes. En el caso
urbano, se puede observar que la razón es muy cercana a 1, lo que significa que domina la fracción
fina (ya que el valor máximo se alcanza para diámetros cercanos a 1 µm). Las partículas de zonas
rurales en general parecen tener una cantidad más considerable de partículas gruesas, por lo que la
razón PM10/1 es mayor y aproximadamente igual a 3. La distribución continental, referida a zonas
profundamente adentradas en el continente, también tiene una fracción gruesa considerable como la
rural, pero con un mayor pico en el modo fino (su PM10/1 es cercano a 1.9). Los aerosoles marinos
poseen aun una mayor diferencia marcada entre los modos fino y grueso que el tipo rural (PM10/1
cercano a 5.5). La distribución tipo antártica está construida en base a mediciones en la región ártica,
pero comparte muchas características en común. Estos aerosoles poseen un PM10/1 cercano a 3.8.
FIG. 4: Funciones de distribución másica acumulada (concentraciones normalizadas por la densidad) para
los casos de aerosoles urbanos, rurales, continentales, marinos y antárticos.
En el control de calidad de las mediciones de ECAUNGS, se encontraron 2294149 líneas de datos
con valores no numéricos y 958542 líneas de datos con valores fuera de los límites de detección (para
el sensor de PM). Esto representa un 23.7% de la totalidad de datos que fueron eliminados de la serie.
No se encontraron saltos abruptos entre los datos de PM. El análisis de calidad realizado en la base
5
minutal y horaria no descartó ningún otro dato. Cabe aclarar que no se contaron con datos para los
meses de marzo, abril y mayo de 2020.
Las tendencias horarias, mensuales y por día de la semana de las mediciones de ECAUNGS son
similares en las tres fracciones tamaños de PM (denominadas PM1eca,PM25eca yPM10eca). La Fig.
5muestra valores mínimos de concentración en los meses cálidos y en las horas de mayor radiación
solar, además de valores altos los fines de semana. Los valores medios horarios se encuentran entre 5
y 24 µg/m3para PM1eca, entre 10 y 33 µg/m3para PM25eca y entre 11 y 36 µg/m3para PM10eca.
Cabe aclarar que las concentraciones mencionadas no superan los límites en la normativa vigente para
provincia de Buenos Aires (DECTO-2018-1074-GDEBA-GPBA) [17] . También cabe indicar que el
percentil 75 no supera los 20 µg/m3para PM1eca y se encuentra apenas por encima de ese valor para
PM25eca yPM10eca. Estos valores bajos de PM en superficie están acordes con las características
de la zona y con los resultados de las mediciones fotométricas indicadas en Scagliotti y Jorge (2020)
[14], que implican una atmósfera limpia con bajas concentraciones de aerosoles en toda la columna
vertical.
FIG. 5: Histograma y tendencias mensual, horaria y por día de semana de PM25eca para las mediciones entre
junio de 2019 y enero de 2021.
El análisis de frecuencias de la razón PM10/1 para ECAUNGS se muestra para la totalidad de los
datos (Fig. 6), ya que no hay diferencias entre diferentes franjas horarias.
FIG. 6: Frecuencia de concentraciones de la razón de PM10/1 con datos de ECAUNGS.
En casi todo momento, parece que las concentraciones de PM10eca duplican las de PM1eca, y
otras pocas ocasiones las cuatriplican. Al parecer, la distribución másica por tamaño de partículas
no responde a una zona urbanizada según las modelizaciones mostradas en la Fig. 4, sino que el
modo principal encontrado para PM10/1 se corresponde principalmente con distribuciones de tipo
continental y antártico. Los aerosoles continentales están compuestos por productos de oxidación
secundaria y partículas primarias como polvo, polen y plantas de tratamiento [11]. Mientras que el tipo
antártico se origina por la neblina antártica y una leve inclusión de partículas de origen antropogénico
[11]. Estos resultados concuerdan con las conclusiones expuestas en Scagliotti y Jorge (2020) [14]
a partir de las mediciones fotométricas, donde se encontraron partículas gruesas y una atmósfera
6
generalmente limpia (es decir pocos casos de contaminación urbana) con algunos casos de intrusión
de aerosoles industriales, además de varios casos de aerosoles de tipo antártico. De todas formas,
estos resultados deben corroborarse con mediciones validadas, ya que los LCS de PM no suelen
medir directamente la fracción de PM10 y la informan con un mayor error [8].
El desarrollo del modelo integrador ANN con las mediciones de bajo costo de ECAUNGS y el fo-
tómetro solar CALITOO, y con datos de ACUMAR en Dock Sud y NOAA, tiene la doble finalidad de
completar el estudio en el Centro-Norte del conurbano y evaluar la calidad de los datos medidos con
ECAUNGS. El mejor desempeño del modelo, que fue llamado REDungs, se consiguió practicando
un filtro de medianas a PM25eca (para suavizar la serie evitando valores atípicos), una normalización
a las variables de tipo “mapstd” (varianza 0 y desviación estándar igual a la unidad), regla de apren-
dizaje de gradiente conjugado (dependiente de la derivada parcial del error respecto a los pesos ωi,k),
función de transferencia Fkde base radial para un total de 30 neuronas ocultas y realimentación con
un retraso temporal de 1 h (realimenta el modelo con la salida).
FIG. 7: Esquema de REDungs. Se observa la realimentación con retraso temporal de 1 h.
La Fig. 7muestra la forma básica de REDungs, con los 7 predictores elegidos (valores horarios
entre junio de 2019 y enero de 2021) y la realimentación de la salida a la capa oculta. El entrenamiento
de REDungs se detuvo en 10 épocas, alcanzando un error RMSE (por “Root Mean Squared Error”)
cercano a 0.14 µg/m3y un R cercano a 0.99 en la validación y 0.60 en la etapa de prueba (Fig.
8). La diferencia de rendimiento entre estas etapas está vinculado a la división de los datos (60%
entrenamiento, 20% validación y 20% prueba), ya que quedaron pocos para probar el modelo. En
este sentido, se prefirió entrenar con mayor cantidad de información de entrada para que la red pueda
converger con indicadores de buen desempeño. Aún así, tomando un R = 0.6 como el más bajo posible
para REDungs, se alcanzó un desempeño muy bueno considerando los datos (en cantidad y calidad)
disponibles.
Si bien este modelo no es suficiente para validar los datos registrados por ECAUNGS, sus indi-
cadores alientan a considerar estas mediciones de PM como datos relativos que aportan información
cualitativa valiosa sobre la CA en la zona. Se encontraron buenas correlaciones y vínculos esperados
entre la meteorología, las mediciones de PM en ACUMAR y las propiedades ópticas de aerosoles en
UNGS con las mediciones de PM de ECAUNGS. Con una mayor cantidad de mediciones se podrá
avanzar en un modelo más robusto y completo.
El código desarrollado en lenguaje GNU OCTAVE y los datos para el diseño y entrenamiento del
modelo REDungs se puede consultar en el repositorio digital de los productos de este estudio [13].
7
FIG. 8: Gráficas de regresión del modelo en las etapas de entrenamiento, validación y prueba.
4. CONCLUSIONES
Con las mediciones de ECAUNGS se detectaron valores bajos de PM en relación con la radiación
solar (entre el mediodía y la tarde y en los meses cálidos para la marcha anual), lo cual está vincu-
lado a la dinámica de la capa limite (BLH). Las mediciones de ECAUNGS indican una proporción
importante de la fracción gruesa de partículas (PM10/1≈2) que, según las simulaciones, implican
distribuciones de partículas típicas de ambientes continental y antártico. Esto último verifica los ha-
llazgos citados a partir del estudio con las mediciones fotométricas, al igual que la baja concentración
de partículas (PM2,5entre 10 y 33 µg/m3).
Si bien las mediciones de ECAUNGS aun deben ser consideradas como relativas, el buen desem-
peño del modelo integrador REDungs (RMSE ≈0.14 µg/m3y R ≈0.6) indica que los valores de
PM medidos se encuentran vinculados de forma lógica con la meteorología de capa límite y otras
variables a nivel regional y local. Si bien no hay correlaciones lineales claras entre el AOD medido y
el PM de ECAUNGS, el modelo ANN implementado logra interpretar y sacar provecho de vínculos
no lineales entre estas variables. Este modelo permite actualmente conocer los valores relativos de
PM de forma horaria en la zona, y su aceptable desempeño demuestra que la integración de diferentes
métodos de bajo costo es posible y superadora a lo que pueda conseguirse con cada parte individual.
La predicción de PM para la zona podrá ser mejorada cuando se cuente con una mayor cantidad
de mediciones, tanto en superficie (para este estudio no se contaron con mediciones entre marzo y
mayo de 2020 de ECAUNGS) como fotométricas. Esto es sólo cuestión de tiempo, ya que el equipo
ECAUNGS continua en funcionamiento y las mediciones con el fotómetro solar CALITOO aún se
realizan regularmente. Avanzar en este camino aportará también una mayor comprensión a la vincu-
lación entre PM y AOD en la zona de estudio.
8
REFERENCIAS
[1] Organización Mundial de la Salud. Air pollution https://www.who.int/health-topics/air-pollution#tab=
tab$_$1. 2021.
[2] Y. Rybarczyk y R. Zalakeviciute. Machine learning approaches for outdoor air quality modelling: A
systematic review. Appl. Sci. 8, 2570 (2018).
[3] K. R. Kumar, Y. Yin, V. Sivakumar, N. Kang, X. Yu, Y. Diao, A. J. Adesina y R. Reddy. Aerosol
climatology and discrimination of aerosol types retrieved from MODIS, MISR and OMI over Durban
(29.88 S, 31.02 E), South Africa. Atmos. Environ. 117, 9-18 (2015).
[4] F. Franceschi, M. Cobo y M. Figueredo. Discovering relationships and forecasting PM10 and PM2. 5
concentrations in Bogotá, Colombia, using artificial neural networks, principal component analysis, and
k-means clustering. Atmos. Pollut. Res. 9, 912-922 (2018).
[5] H. Tian, P. Qiu, K. Cheng, J. Gao, L. Lu, K. Liu y X. Liu. Current status and future trends of SO2
and NOx pollution during the 12th FYP period in Guiyang city of China. Atmos. Environ. 69, 273-280
(2013).
[6] D. J. Lary, A. H. Alavi, A. H. Gandomi y A. L. Walker. Machine learning in geosciences and remote
sensing. Geoscience Frontiers 7, 3-10 (2016).
[7] G. Miño ML & Alsina. Diagnóstico Ambiental del Partido de San Miguel (UNGS Ediciones, 2006).
[8] B. Alfano, L. Barretta, A. Del Giudice, S. De Vito, G. Di Francia, E. Esposito, F. Formisano, E. Massera,
M. L. Miglietta y T. Polichetti. Una revisión de los sensores de material particulado de bajo costo desde
la perspectiva de los desarrolladores. Sensores 20, 6819 (2020).
[9] F. M. Bulot, S. J. Johnston, P. J. Basford, N. H. Easton, M. Apetroaie-Cristea, G. L. Foster, A. K. Morris,
S. J. Cox y M. Loxham. Long-term field comparison of multiple low-cost particulate matter sensors in
an outdoor urban environment. Sci. Rep. 9, 1-13 (2019).
[10] D. H. Hagan y J. H. Kroll. Assessing the accuracy of low-cost optical particle sensors using a physics-
based approach. Atmos. Meas. Tech. 13, 6343-6355 (2020).
[11] J. H. Seinfeld y S. N. Pandis. Atmospheric chemistry and physics: from air pollution to climate change
(John Wiley & Sons, 2016).
[12] A. F. Scagliotti y G. A. Jorge. Inter-comparison of environmental low-cost sensors on Arduino platform.
Journal of the IEST 63, 35-45 (2020).
[13] Repositorio github(Scagliotti) https://github.com/ascaglio/Estrategias-de-bajo-costo-para-la-exploraci-
n-de-la-calidad-del-aire.git. 2021.
[14] A. F. Scagliotti y G. A. Jorge. Análisis de un año de mediciones con fotómetro solar en el noroeste del
conurbano bonaerense. Anales AFA 31, 46-50 (2020).
[15] Autoridad de la Cuenca Matanza-Riachuelo (ACUMAR). Calidad de aire https://www.acumar.gob.ar/
monitoreo-ambiental/calidad-de-aire/. 2020.
[16] Administración Nacional Oceánica y Atmosférica de EUA (NOAA). https : / / www. ready. noaa . gov /
READYcmet.php. 2020.
[17] Ley ambiental Prov. Buenos Aires N.5965 https://normas.gba.gob.ar/ar-b/decreto/2018/1074/17866.
2020.
9
