Actualmente, el cambio climático es un fenómeno que afecta a la vida en el planeta Tierra. En este ámbito, existen diferentes dificultades a sortear para poder preservar el medio ambiente. Algunas de las dificultades que existen se revisan en las páginas siguientes y están relacionadas con la cuantificación de los contaminantes aéreos. La guía desarrollada por la Unión Europea (UE) para el cálculo de emisiones vehiculares propone tres métodos para el cálculo de emisiones. Estos métodos son utilizados dentro del marco del Análisis de Ciclo de Vida (ACV) y se presume que no reflejan adecuadamente las emisiones totales. Por ello, en este documento se busca desarrollar un método que brinde una mayor precisión al calcular las emisiones provenientes de los vehículos motorizados en ciudades. Esta metodología incluye el desarrollo de un modelo de microsimulación de tráfico, del cual se obtienen los datos de velocidades y aceleraciones de cada vehículo para cada segundo de simulación. Con estos datos se calculan las emisiones mediante un software de modelado de emisiones (CMEM), el cual considera ciclos de aceleración y desaceleración. Luego de realizarse el modelo y el cálculo de las emisiones se extraen los factores de emisión y se procede a una comparación. Durante la comparación con dos de los tres métodos propuestos por la UE se observa que los factores calculados mediante el CMEM son mayores para el caso de monóxido de carbono (CO) y menores en el caso del dióxido de carbono (CO2) respecto a los brindados por la guía europea. Esto nos permite concluir que al acelerar y/o desacelerar se deja de emitir CO2 y en su lugar se emite más CO. De esta forma, se da una situación no deseada en el ámbito urbano, pues el CO favorece la formación de smog fotoquímico. Así, se afirma que utilizando los métodos europeos se pasa por alto un potencial daño a la salud humana cuando se realizan estimaciones en ambientes netamente urbanos. / Currently, climate change and air quality are two of the major phenomena that affect human wellbeing on planet Earth. The former thrives on ever-growing greenhouse gas (GHG) emissions due to a set of critical human-related activities, including transport. The latter is of critical importance in urban environments, mainly due to the use of fossil fuels for transport and heating and cooling devices. However, the computation of traffic in life-cycle modelling lacks in most cases the effect of speed, acceleration and deceleration, as well as driving behavior in general, on exhaust pollutant emissions. In this context, Lima, located in a temperate desert, is well known to owe most of its air pollution to traffic, as well as its high level of congestion. Therefore, the aim of this study is to develop a method that provides greater precision when calculating emissions from motor vehicles in cities, using the city of Lima as a case study. The methodology applied includes the development of a traffic microsimulation model, from which the speed and acceleration data of each vehicle are obtained for each second of simulation. With this data, exhaust emissions are calculated using an emission modeling software (CMEM), which considers acceleration and deceleration cycles. Once the model and calculation of the emissions are made, emission factors are extracted and a comparison is realized. This comparison is undergone with the first two methods (i.e., Tiers 1 and 2) proposed by the European Environmental Agency’s guide for the calculation of vehicle emissions. These methods are commonly used within the framework of the Life Cycle Assessment (LCA) and it is presumed that they do not adequately reflect total emissions. The results obtained in the comparison confirm that the factors calculated using CMEM are considerably higher in the case of carbon monoxide (CO), but lower in the case of carbon dioxide (CO2) compared to those provided by the European guide. This suggests that acceleration and deceleration processes enhance air quality pollutants in urban environments, fostering the formation of photochemical smog, whereas climate change emissions dwindle. Thus, it is claimed that using European methods, potential harm to human health is overlooked when estimates are made in purely urban environments.

Según la Organización Mundial de la Salud (OMS), la mala calidad del aire provoca 1 de cada 10 muertes globalmente, 7 millones de personas fallecen al año debido a enfermedades causadas por la contaminación, además la mala calidad del aire es un factor contribuyente al cambio climático, específicamente al calentamiento global. En Perú, se debe cumplir los Estándares de Calidad Ambiental (ECAs) establecidos por el Ministerio del Ambiente y supervisados por el Organismo de Evaluación y Fiscalización Ambiental (OEFA); no obstante, cumplir esta tarea se ve dificultada por la baja cantidad de estaciones de medición. Debido a ello, el presente proyecto propone estudiar diferentes estrategias de ingeniería de características y modelos de aprendizaje de máquina que puedan estimar el nivel de contaminación de aire en zonas urbanas no censadas. Para ello, se usó datos de contaminantes y variables meteorológicas recolectados por una red de monitoreo en la ciudad de Beijing, China. Se obtuvo como resultado que el modelo Linear Regression entrenado con los datasets de contaminante PM2;5 de las 5 estaciones más cercanas al punto de predicción y normalizados mediante una adaptación de Inverse Distance Weighting presentó mejor capacidad de estimación. Por otro lado, los modelos LightGBM y XGBoost presentaron resultados un poco inferiores, pero eran más robustos, pues su capacidad de estimación se mantenía estable a pesar de la modificación de la cantidad de estaciones usadas para el entrenamiento de los modelos. Como trabajo futuro, se pretende usar y adaptar los modelos estudiados en esta investigación en las zonas urbanas de Lima, Perú. / Trabajo de investigación