Las ciudades y el transporte: A vueltas con las Zonas de Bajas Emisiones y el caso de Madrid Central
Por Juan Luis Gómez (Investigador predoctoral, IIT-Comillas)
La contaminación atmosférica es uno de los grandes retos medioambientales al que las sociedades se enfrentan y así está recogido en los principales acuerdos estratégicos de las Naciones Unidas; “La agenda 2030 para el desarrollo sostenible”. La organización mundial de la salud estima que 8 millones de personas fallecen al año como consecuencia directa de la contaminación presente en el aire. De este total, aproximadamente 4 millones son debido a la mala calidad del aire en interiores y hogares y la otra mitad por la contaminación ambiental. Por causa de mortalidad, la contaminación es responsable de un octavo del total de fallecimientos totales anuales. Esto realmente es la punta del iceberg en el que la baja calidad del aire afecta muy negativamente a la salud de las personas. En el siguiente enlace se puede ver en más detalle un resumen de la relación entre baja calidad del aire y los (muy) diversos efectos que tiene sobre la salud. Tampoco pueden obviarse los efectos económicos o en el medio ambiente que tiene la contaminación.
La
calidad del aire no viene determinada por el mismo conjunto de contaminantes de
forma homogénea en cada posible escenario. El Dióxido de Azufre (SO2) es una
molécula contaminante característica de la actividad industrial. Por otro lado,
el Dióxido de Nitrógeno o las partículas en suspensión de diámetro 2.5 micras
(PM2.5) y diámetro 10 micras (PM10) lo son de entornos urbanos. Por tanto, las
medidas para mitigar la alta presencia de un contaminante u otro cambian según
el entorno y las causas que lo originen. Dado que las medidas implementadas
muchas veces afectan de forma directa la actividad humana, no existe un
consenso social y político en su diseño e implementación.
En este artículo de este mismo blog se hablaba sobre las
zonas de baja emisión. Actualmente el tráfico rodado se desplaza empleando
motores de combustión interna los cuales liberan hidrocarburos no
combustionados (HC), monóxido de carbono (CO), óxidos de nitrógeno (NOx) y
partículas en suspensión (PM) así como el desgaste de las llantas y pastillas
de frenos son contribuidores netos a la generación de partículas en suspensión.
Las zonas de baja emisión pretenden mitigar la contaminación reduciendo el
flujo de circulación en las áreas que delimitan.
Esta pequeña contribución
es un resumen divulgativo de un análisis académico del efecto que Madrid
Central tuvo sobre la calidad del aire dentro de su extensión. Madrid Central
fue una ZBE que estuvo activada principalmente a lo largo del año de 2019, para
luego desactivarse y dar a lugar a Distrito Centro a finales de 2021.
El ayuntamiento
de Madrid tiene distribuidas por la ciudad unas 24 estaciones de monitoreo de
calidad del aire. Madrid Central engloba un área de aproximadamente 5 km2 en el
centro de Madrid y solo una estación de monitoreo está localizada en su
interior, aquella correspondiente a la de plaza del Carmen (plaza de Ópera). Los
detalles de las medidas efectuadas y las propias observaciones de estas
estaciones son de acceso público a cualquier persona interesada a través del portal de datos abiertos de Madrid. Este portal de datos es tremendamente
interesante y animo a todo el mundo a dedicar unos minutos de tiempo para ver
los datos disponibles.
Portal de datos abiertos de Madrid, de acceso público a cualquier persona así como la descarga de los mismos.
Distribución de las estaciones de monitoreo de calidad del aire de la Ciudad de Madrid. Delimitada por un círculo negro, corresponde al estación localizada en Plaza del Carmen, dentro de la extensión de Madrid Central y cuyas medidas son analizadas
En el momento en
que hubo datos disponibles de calidad de aire del periodo de Madrid Central,
diversas entidades como la Universidad Politécnica de Madrid y Ecologistas en acción comunicaron la reducción en la
concentración de diversos contaminantes. De las mejoras observadas, se destaca
la correspondiente a la presencia de NO2, considerado el contaminante relevante
del tráfico rodado y ambiente urbano. Madrid Central funcionó durante un año y
el documento que mejor resume el balance de calidad del aire antes y después de
su implementación es el informe redactado por Ecologistas en acción. Mostramos
aquí la tabla en que se resume el efecto de Madrid Central en la calidad del
aire de Madrid presentando un resumen del balance de la concentración acumulada
de NO2 medida por año y por estación de monitoreo.
Centrándonos en
la ZBE Madrid Central, se observa un descenso del 22% en la concentración del
NO2 lo cual es remarcable. En el informe citado se destaca que se trata de la menor
observación promedio desde que la estación fue instalada.
Sin embargo, como
hemos mencionado anteriormente estas medidas suponen un estrés y no siempre son
bienvenidas por la sociedad. Es fácil realizar la crítica a estas observaciones
que simplemente la reducción observada puede deberse a una fluctuación
estadística, sin necesidad de contra argumentar que la delimitación de Madrid
Central puede llegar a aumentar la contaminación en sus límites. En ausencia de
más datos/años con Madrid Central activado, uno no puede justificar con certeza
estadística que se trata de una observación sin sesgo. De hecho, cualquier
análisis cuantitativo de estos valores que no considere la meteorología está
limitado, puesto que la presencia de contaminantes en el ambiente está muy
condicionada a la presión atmosférica, viento o precipitaciones. ¿Cómo
podríamos argumentar que independientemente de la meteorología, por ejemplo,
Madrid Central supuso una reducción neta de la concentración de NO2 (en este
caso) y no fruto de una mera anomalía puntual?
La motivación del
trabajo es precisamente tratar de establecer un análisis cuantitativo que vislumbre, en ausencia de más años de activación de una ZBE, si las
observaciones de dicho año fueron fortuitas o debidas a la meteorología, o si efectivamente Madrid Central jugó un papel en su reducción.
Es aquí donde nuestro arsenal matemático entra en juego. Estamos interesados en encontrar una herramienta matemática que no introduzca conjeturas o suposiciones fuertes sobre nuestros datos y que se adapte a las fluctuaciones inherentes de los mismos. La herramienta matemática que se usó para el estudio se denomina proceso gaussiano, y si quieres saber un poco más sobre ella, al final de este artículo podrás encontrar un anexo con una breve introducción.
La metodología
seguida es tal que así: no estamos seguros de que la reducción se trate de un
hecho debido a Madrid Central y sospechamos que ciertas variables
meteorológicas puedan tener mucha influencia. Pues, intentemos “enseñar” a
nuestro proceso gaussiano cómo se comporta la contaminación en función de las
variables climáticas con toda la información disponible previa. Además este
modelo es inherente a los datos en el sentido que no vamos a forzar ningún
comportamiento particular.
Las observaciones
meteorológicas necesarias para nuestro estudio las obtenemos de la estación
meteorológica localizada en el parque de El Retiro, también en el centro de
Madrid. Esta información y la de otras muchas estaciones está disponible al
público en el portal de datos abiertos. Las variables que consideraremos serán
el volumen de precipitación, temperatura media, presión media, velocidad y
dirección del viento. Adicionalmente, consideraremos el día de la semana,
puesto que es obvio que la dinámica del tráfico rodado un lunes no es la misma
que la de un sábado. Toda esta información, así como la de la concentración del
NO2 corresponden a los valores promedios diarios.
En particular,
usamos los datos correspondientes a los años 2010-2017 para entrenar nuestro
proceso gaussiano. El año 2018 será un año de prueba en el que, dado que no
hubo nada reseñable respecto los anteriores, la dinámica de la concentración de
NO2 atmosférico debería ser la misma respecto las variables climáticas.
Mientras que el año 2019, el de Madrid Central, al no incluir dicha información
en el proceso de entrenamiento, si de verdad tuvo un efecto sobre los niveles
de contaminación, al extrapolar las predicciones a dicho año debería observarse
que estas son superiores en promedio a las observadas.
Por no
extendernos demasiado, presentemos los resultados para el segundo cuatrimestre
de 2018 y 2019,
De estos
resultados destacamos la predicción no únicamente da un valor promedio
determinado, sino de intervalos de confianza en las medidas. Simplemente por inspección visual ya vemos
que sistemáticamente en el ejemplo de 2019, las observaciones son inferiores a
las predicciones de nuestro modelo mientras que para 2018 las observaciones
fluctúan entorno a los valores medios. Aunque para cada día la observación esté
dentro del intervalo de confianza, si consideramos que cada día es una
observación independiente cabe preguntarse de que se trate de un hecho
plausible. Con los datos del segundo cuatrimestre de 2019 por ejemplo, que cada
día la observación sea inferior al promedio arrojado por el modelo, tras la
aplicación de los test estadísticos adecuados, esto se trata de un hecho muy
improbable y por tanto la hipótesis de que Madrid Central juega un papel cobra
relevancia. En ausencia de otra variable relevante en 2019 que pudiera actuar
sobre nuestras observaciones de contaminación. Como resultado final del
estudio, quiero incluir la última tabla en el que se presentan la diferencia
entre la predicción del proceso gaussiano, el modelo que se ha empleado (y que se
debe interpretar como el comportamiento promedio de los años anteriores) y las observaciones
de dicho cuatrimestre/año, junto a intervalos de confianza.
Resultado final del análisis cuantitativo
en la reducción de la concentración de NO2. Diferencia
entre predicción y observaciones.
Las observaciones diarias del año 2018, de prueba puesto que esperamos se debe comportar parecido a los años anteriores, se comportan dentro del rango de error como es de esperar. Ni aumentó ni se redujo ese año. Por otro lado la reducción observada de un 23% entre modelo y predicciones es claramente neta y consistente con los datos arrojados por Ecologistas en acción, pareciendo indicar que la reducción observada con respecto a años previos es significativa sin sesgos climáticos.
Esta metodología
podría pulirse o extenderse a, por ejemplo, el problema de si Madrid Central
ocasionó un aumento de la contaminación en las regiones circundantes. También
para comprobar cómo otro contaminante, como las partículas en suspensión no discutidas
aquí, se ven afectadas. También se podría extender el estudio a otras variables que hayan sido
ignoradas. Igualmente, en presencia de pocos datos, es una herramienta estupenda
para tratar de estimar sin sesgos climáticos si una ZBE es efectiva o no.
Anexo: Metodología
Hay quien esté familiarizado con herramientas matemáticas que dadas unas observaciones, permitan explicar otras variables e incluso extrapolar su comportamiento a dominios más allá del observado. Un ejemplo paradigmático es la famosa “recta de regresión” para la cual he encontrado la siguiente ilustración de ejemplo.
Una recta de regresión presenta dos inconvenientes para nuestro problema. Primero, es que asume que el comportamiento de nuestra variable dependiente y es rectilínea respecto a la (o las) variable(s) independiente(s) x. Esto es así en ciertos casos. A mi mente se vienen las típicas prácticas de laboratorio de ciencia en la que diversas leyes físicas se comportan exactamente siguiendo una recta. Pero en otros muchos es simplemente una suposición o conjetura. Por otro lado, aunque en el esquema anterior hay una curva de estimación para la incertidumbre de nuestras predicciones, de nuevo si probamos con nuestros datos del portal de datos abiertos, estaríamos forzando que la incertidumbre se comporte así cuando en la realidad no lo es.
Estamos interesados en encontrar una herramienta matemática que no introduzca conjeturas o suposiciones fuertes sobre nuestros datos y que se adapte a las fluctuaciones inherentes de los mismos. La herramienta matemática que se usó para el estudio se denomina proceso gaussiano y dado un conjunto de pares valor {y, x} interpreta los mismos como un proceso aleatorio de forma natural sin necesidad de prescribir un comportamiento previo. Es lo que se denomina algoritmo no paramétrico. Además, de forma inherente captura fluctuaciones aleatorias, por lo tanto es perfecto para tratar de predecir información tan sensible a valores ambientales como son los contaminantes atmosféricos y de los cuales es tan difícil alcanzar un consenso sobre su mitigación.
Ejemplo paradigmático del uso de procesos gaussianos para predecir los niveles de CO2 en el volcán Manua Loa. En azul los datos disponibles y en rojo la extrapolación promedio, en gris como evoluciona el intervalo de incertidumbre.
Comentarios
Publicar un comentario