Vol. 12/ Núm. 4 2025 pág. 2390
https://doi.org/10.69639/arandu.v12i4.1823
Evaluación de la contaminación atmosférica en Calderón,
Quito, utilizando teledetección y Big data: Análisis de la
relación con variables meteorológicas
Assessment of air pollution in Calderón, Quito, using remote sensing and Big Data: Analysis of
the relationship with meteorological variables
Jaime Vladimir Sancho Zurita
https://orcid.org/0000-0002-5915-2100
jsancho@itsjapon.edu.ec
Instituto Tectológico Universitario Japón
Ecuador- Quito
Ximena Luz Crespo Nuñez
https://orcid.org/0000-0001-9622-089X
xcrespo@udet.edu.ec
Universidad de Especialidades Turísticas
Ecuador- Quito
Sergio Vinicio Lasso Barreto
https://orcid.org/0000-0002-1606-1524
slasso@udet.edu.ec
Universidad de Especialidades Turísticas
Ecuador- Quito
Vicente Orley Ochoa Quezada
https://orcid.org/0009-0001-4224-8261
vochoa@udet.edu.ec
Universidad de Especialidades Turísticas
Ecuador- Quito
Alexis Vladimir Sancho Cando
https://orcid.org/0009-0007-4336-6060
alexisvsancho277@gmail.com
Investigador Independiente
Ecuador- Quito
Artículo recibido: 18 noviembre 2025 -Aceptado para publicación: 28 diciembre 2025
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La calidad del aire es un factor crítico que afecta la salud pública y el medio ambiente. Este
estudio, realizado en Calderón, Quito, Ecuador, analiza la correlación entre los niveles de
contaminantes (aerosoles, dióxido de carbono, dióxido de azufre y óxido de nitrógeno) y factores
ambientales como la temperatura y la radiación solar, utilizando teledetección y Big Data,
mediante el satélite Sentinel-5P, 3S y la comparación con datos de campo in situ. Se presentan
análisis estadísticos que demuestran la relación entre estos factores. Los resultados sugieren que
Vol. 12/ Núm. 4 2025 pág. 2391
el aumento de la temperatura y la radiación solar está asociado con un incremento en los niveles
de contaminación, lo que tiene implicaciones significativas para la salud pública. Este estudio
destaca la necesidad de políticas efectivas para mitigar la contaminación del aire y sus efectos
adversos.
Palabras claves: radiación, análisis estadístico, contaminantes, correlación
ABSTRACT
Air quality is a critical factor affecting public health and the environment. This study, conducted
in Calderón, Quito, Ecuador, analyzes the correlation between pollutant levels (aerosols, carbon
dioxide, sulfur dioxide, and nitrogen oxide) and environmental factors such as temperature and
solar radiation, using remote sensing and Bigdata, via the Sentinel-5P, 3S satellite and comparing
it with in situ field data. Statistical analyses are presented that demonstrate the relationship
between these factors. The results suggest that increasing temperature and solar radiation are
associated with increased pollution levels, which has significant implications for public health.
This study highlights the need for effective policies to mitigate air pollution and its adverse
effects.
Keywords: radiation, statistical analysis, pollutants, correlation
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
el aumento de la temperatura y la radiación solar está asociado con un incremento en los niveles
de contaminación, lo que tiene implicaciones significativas para la salud pública. Este estudio
destaca la necesidad de políticas efectivas para mitigar la contaminación del aire y sus efectos
adversos.
Palabras claves: radiación, análisis estadístico, contaminantes, correlación
ABSTRACT
Air quality is a critical factor affecting public health and the environment. This study, conducted
in Calderón, Quito, Ecuador, analyzes the correlation between pollutant levels (aerosols, carbon
dioxide, sulfur dioxide, and nitrogen oxide) and environmental factors such as temperature and
solar radiation, using remote sensing and Bigdata, via the Sentinel-5P, 3S satellite and comparing
it with in situ field data. Statistical analyses are presented that demonstrate the relationship
between these factors. The results suggest that increasing temperature and solar radiation are
associated with increased pollution levels, which has significant implications for public health.
This study highlights the need for effective policies to mitigate air pollution and its adverse
effects.
Keywords: radiation, statistical analysis, pollutants, correlation
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 12/ Núm. 4 2025 pág. 2392
INTRODUCCIÓN
La contaminación atmosférica urbana representa un desafío sanitario y ambiental creciente,
especialmente en ciudades andinas como Quito, donde la topografía, la altitud y las condiciones
meteorológicas locales favorecen la retención y variabilidad espacial de contaminantes como
NO₂, O₃ y material particulado (PM₂.₅/PM₁₀). Estas condiciones hacen imprescindible contar con
metodologías que permitan caracterizar tanto la dinámica temporal como la distribución espacial
de los contaminantes para apoyar políticas públicas y medidas de mitigación (IQAir, 2021).
Análisis recientes confirman vínculos entre partículas PM₂.₅, gases (CO₂, SO₂, NO₂) y
comorbilidades cardiorrespiratorias (Chen et al., 2020; Smith & Johnson, 2020), reportes de la
OMS atribuyen 7 millones de muertes prematuras anuales a la polución atmosférica, catalogada
como crisis sanitaria global. (OMS 2018)
La teledetección satelital, particularmente mediante datos de Sentinel-5P/TROPOMI, ha
demostrado ser una herramienta eficaz para complementar redes de monitoreo de superficie
escasas o desiguales. Estos productos permiten detectar anomalías, estimar columnas
troposféricas de NO₂ y O₃, y producir mapas de alta cobertura espacial. Estudios recientes
realizados en Quito evidencian buena concordancia entre medidas satelitales y observaciones in
situ (Mejía et al., 2024; Álvarez et al., 2024).
Paralelamente, enfoques de Big Data y aprendizaje automático han probado ser útiles para
modelar relaciones no lineales entre meteorología y contaminantes, así como para normalizar la
influencia de variables externas y estimar escenarios “business-as-usual”. En Quito, modelos de
deep learning (LSTM y BiRNN) identificaron que variables meteorológicas como humedad
relativa, velocidad del viento y radiación solar influyen de manera determinante en la predicción
de contaminantes (Chau et al., 2022; Hernández et al., 2022).
En el estudio de Tello y Diaz 2021 analiza este fenómeno en Medellín mediante percepción
remota (imágenes Landsat 7/8) e indicadores de calidad del aire (PM₁₀, PM₂.₅, NO₂, O₃). La
metodología integra procesamiento de índices espectrales (TS, NDVI, TSAVI, NDWI, NSI),
interpolación espacial y análisis de componentes principales. El primer componente (90%
varianza) generó un mapa de calidad ambiental que identifica: 1) Zonas críticas con baja cobertura
vegetal, alta densidad constructiva y tráfico intenso; 2) Áreas óptimas con mayor vegetación,
localizadas periféricamente en estratos socioeconómicos 4-6. Esta cartografía sirve como base
técnica para priorizar intervenciones de planificación urbana en sectores vulnerables. (Tello-
Cifuentes & Díaz-Paz, 2021).
La evaluación sistemática de la calidad atmosférica mediante teledetección ha ganado
relevancia científica por su capacidad para generar datos extensivos en tiempo cuasi-real.
Instrumentos como los satélites *Sentinel-5P* y *Sentinel-3* -núcleo del programa Copernicus
de la UE- aportan mediciones críticas sobre composición química atmosférica y concentración de
INTRODUCCIÓN
La contaminación atmosférica urbana representa un desafío sanitario y ambiental creciente,
especialmente en ciudades andinas como Quito, donde la topografía, la altitud y las condiciones
meteorológicas locales favorecen la retención y variabilidad espacial de contaminantes como
NO₂, O₃ y material particulado (PM₂.₅/PM₁₀). Estas condiciones hacen imprescindible contar con
metodologías que permitan caracterizar tanto la dinámica temporal como la distribución espacial
de los contaminantes para apoyar políticas públicas y medidas de mitigación (IQAir, 2021).
Análisis recientes confirman vínculos entre partículas PM₂.₅, gases (CO₂, SO₂, NO₂) y
comorbilidades cardiorrespiratorias (Chen et al., 2020; Smith & Johnson, 2020), reportes de la
OMS atribuyen 7 millones de muertes prematuras anuales a la polución atmosférica, catalogada
como crisis sanitaria global. (OMS 2018)
La teledetección satelital, particularmente mediante datos de Sentinel-5P/TROPOMI, ha
demostrado ser una herramienta eficaz para complementar redes de monitoreo de superficie
escasas o desiguales. Estos productos permiten detectar anomalías, estimar columnas
troposféricas de NO₂ y O₃, y producir mapas de alta cobertura espacial. Estudios recientes
realizados en Quito evidencian buena concordancia entre medidas satelitales y observaciones in
situ (Mejía et al., 2024; Álvarez et al., 2024).
Paralelamente, enfoques de Big Data y aprendizaje automático han probado ser útiles para
modelar relaciones no lineales entre meteorología y contaminantes, así como para normalizar la
influencia de variables externas y estimar escenarios “business-as-usual”. En Quito, modelos de
deep learning (LSTM y BiRNN) identificaron que variables meteorológicas como humedad
relativa, velocidad del viento y radiación solar influyen de manera determinante en la predicción
de contaminantes (Chau et al., 2022; Hernández et al., 2022).
En el estudio de Tello y Diaz 2021 analiza este fenómeno en Medellín mediante percepción
remota (imágenes Landsat 7/8) e indicadores de calidad del aire (PM₁₀, PM₂.₅, NO₂, O₃). La
metodología integra procesamiento de índices espectrales (TS, NDVI, TSAVI, NDWI, NSI),
interpolación espacial y análisis de componentes principales. El primer componente (90%
varianza) generó un mapa de calidad ambiental que identifica: 1) Zonas críticas con baja cobertura
vegetal, alta densidad constructiva y tráfico intenso; 2) Áreas óptimas con mayor vegetación,
localizadas periféricamente en estratos socioeconómicos 4-6. Esta cartografía sirve como base
técnica para priorizar intervenciones de planificación urbana en sectores vulnerables. (Tello-
Cifuentes & Díaz-Paz, 2021).
La evaluación sistemática de la calidad atmosférica mediante teledetección ha ganado
relevancia científica por su capacidad para generar datos extensivos en tiempo cuasi-real.
Instrumentos como los satélites *Sentinel-5P* y *Sentinel-3* -núcleo del programa Copernicus
de la UE- aportan mediciones críticas sobre composición química atmosférica y concentración de
Vol. 12/ Núm. 4 2025 pág. 2393
contaminantes (De Smedt et al., 2018; Eskes et al., 2019). Particularmente, el *Sentinel-5P* opera
como plataforma especializada en medición de aerosoles y gases traza, permitiendo evaluaciones
espacialmente precisas tanto en entornos urbanos como rurales (Veefkind et al., 2012).
La comparación de datos reales con los datos capturados por medio de satélites permite
una mayor exactitud y veracidad acerca de los procesos que se están investigando mediante:
- Modelización predictiva de afectaciones sanitarias poblacionales,
- Sustento técnico-científico para protocolos de mitigación ambiental (Lee et al., 2021; Wang et
al., 2022).
La presente investigación propone evaluar la contaminación atmosférica en Calderón
(Quito) mediante la integración de productos de teledetección (Sentinel-5P/TROPOMI), técnicas
de Big Data y modelos de aprendizaje automático para: (1) mapear la variabilidad espacial y
temporal de NO₂, O₃ y PM; (2) cuantificar la influencia de variables meteorológicas (temperatura,
humedad relativa, velocidad/dirección del viento, radiación y precipitación) sobre las
concentraciones observadas; y (3) generar evidencia práctica orientada a la gestión local de la
calidad del aire en Calderón. Esta aproximación sigue y adapta marcos metodológicos ya
validados para Quito y otras ciudades andinas (Álvarez et al., 2024; Mejía et al., 2024).
MATERIALES Y MÉTODOS
Área de Estudio
Calderón es una de las parroquias más pobladas de la ciudad de Quito, Ecuador, su
población alcanza los 250877 al año 2023, según el censo del INEC
Figura 1
Mapa de Calderón
Fuente: Imagen Sentinel 2 (2025)
contaminantes (De Smedt et al., 2018; Eskes et al., 2019). Particularmente, el *Sentinel-5P* opera
como plataforma especializada en medición de aerosoles y gases traza, permitiendo evaluaciones
espacialmente precisas tanto en entornos urbanos como rurales (Veefkind et al., 2012).
La comparación de datos reales con los datos capturados por medio de satélites permite
una mayor exactitud y veracidad acerca de los procesos que se están investigando mediante:
- Modelización predictiva de afectaciones sanitarias poblacionales,
- Sustento técnico-científico para protocolos de mitigación ambiental (Lee et al., 2021; Wang et
al., 2022).
La presente investigación propone evaluar la contaminación atmosférica en Calderón
(Quito) mediante la integración de productos de teledetección (Sentinel-5P/TROPOMI), técnicas
de Big Data y modelos de aprendizaje automático para: (1) mapear la variabilidad espacial y
temporal de NO₂, O₃ y PM; (2) cuantificar la influencia de variables meteorológicas (temperatura,
humedad relativa, velocidad/dirección del viento, radiación y precipitación) sobre las
concentraciones observadas; y (3) generar evidencia práctica orientada a la gestión local de la
calidad del aire en Calderón. Esta aproximación sigue y adapta marcos metodológicos ya
validados para Quito y otras ciudades andinas (Álvarez et al., 2024; Mejía et al., 2024).
MATERIALES Y MÉTODOS
Área de Estudio
Calderón es una de las parroquias más pobladas de la ciudad de Quito, Ecuador, su
población alcanza los 250877 al año 2023, según el censo del INEC
Figura 1
Mapa de Calderón
Fuente: Imagen Sentinel 2 (2025)
Vol. 12/ Núm. 4 2025 pág. 2394
Delimitación espacial
Se fija el área de estudio en este caso la zona de la parroquia calderón de la ciudad de
Quito, esto se lo realiza por medio de la plataforma Copernicus de la agencia europea, a través de
los satélites Centinela 3 y 5p.
Adquisición de datos multiescala
Teledetección: Se adquirieron productos del Sentinel-5P para cuantificar contaminantes
atmosféricos (CO₂, SO₂, NO₂, aerosoles), complementados con registros del Sentinel-3 de
termorradiometría superficial e irradiancia solar.
Campo
Se implementó una red de estaciones de monitoreo en ubicaciones estratificadas de
Calderón, capturando concentraciones horarias de PM₂.₅, CO₂, SO₂ y NO₂, junto con parámetros
microclimáticos (temperatura, radiación UV) durante ciclos representativos de 7 días.
La información obtenida al utilizar la plataforma copernicus y desde los satélites Sentinel
3s y 5p, es tan grande que no es posible procesar con herramientas informáticas sencillas, para
esto se utilizan plataformas de procesamiento como son SNAP (Sentinel Application Plataform).
Que es una herramienta creada para procesar datos obtenidos de los diferentes satélites Sentinel.
ESA's Sentinel Hub: plataforma en la nube, que permite visualizar, procesar datos de
estos satélites
Pythom lenguaje de programación que incorpora gran cantidad de bibliotecas para apoyar
en el procesamiento de datos
Integración analítica
Los datasets satelitales in situ fueron fusionados mediante correlación espacio-temporal.
Posteriormente, se aplicó estadística multivariante (coeficiente de Pearson, análisis de tendencias)
para evaluar interacciones entre:
Síntesis de hallazgos
Las correlaciones significativas se interpretaron como patrones de contaminación
dependientes del análisis de variables ambientales. Los resultados obtenidos son registrados en el
informe final de la investigación:
Delimitación espacial
Se fija el área de estudio en este caso la zona de la parroquia calderón de la ciudad de
Quito, esto se lo realiza por medio de la plataforma Copernicus de la agencia europea, a través de
los satélites Centinela 3 y 5p.
Adquisición de datos multiescala
Teledetección: Se adquirieron productos del Sentinel-5P para cuantificar contaminantes
atmosféricos (CO₂, SO₂, NO₂, aerosoles), complementados con registros del Sentinel-3 de
termorradiometría superficial e irradiancia solar.
Campo
Se implementó una red de estaciones de monitoreo en ubicaciones estratificadas de
Calderón, capturando concentraciones horarias de PM₂.₅, CO₂, SO₂ y NO₂, junto con parámetros
microclimáticos (temperatura, radiación UV) durante ciclos representativos de 7 días.
La información obtenida al utilizar la plataforma copernicus y desde los satélites Sentinel
3s y 5p, es tan grande que no es posible procesar con herramientas informáticas sencillas, para
esto se utilizan plataformas de procesamiento como son SNAP (Sentinel Application Plataform).
Que es una herramienta creada para procesar datos obtenidos de los diferentes satélites Sentinel.
ESA's Sentinel Hub: plataforma en la nube, que permite visualizar, procesar datos de
estos satélites
Pythom lenguaje de programación que incorpora gran cantidad de bibliotecas para apoyar
en el procesamiento de datos
Integración analítica
Los datasets satelitales in situ fueron fusionados mediante correlación espacio-temporal.
Posteriormente, se aplicó estadística multivariante (coeficiente de Pearson, análisis de tendencias)
para evaluar interacciones entre:
Síntesis de hallazgos
Las correlaciones significativas se interpretaron como patrones de contaminación
dependientes del análisis de variables ambientales. Los resultados obtenidos son registrados en el
informe final de la investigación:
Vol. 12/ Núm. 4 2025 pág. 2395
Diagnósticos cuantitativos de calidad del aire
Directrices para políticas de gestión atmosférica
Figura 2
Proceso metodológico gráfico para la obtención de resultados del estudio
Fuente: elaboración propia (2025)
RESULTADOS
Se recopilaron datos de contaminantes del aire de estaciones de monitoreo in situ y del
modelo de predicción Sentinel-5P mediante teledetección. Los datos incluyen aerosoles (PM2.5),
dióxido de carbono (CO₂), dióxido de azufre (SO₂), óxido de nitrógeno (NO₂) y NDVI. También
se registraron datos de temperatura y radiación solar en un período de siete días.
Tabla 1
Resultados de Contaminantes fijados, tomados insitu y del Sentinela 5p, de la parroquia
Calderón
Fecha
Aeros
oles
(PM2.
5)
(μg/m
3μg/m
3)
Dióxid
o de
Carbo
no
(CO₂)
(ppm)
Dióxido de
Azufre
(SO₂)
(μg/m3μg/
m3)
Óxido de
Nitrógeno
(NO₂)
(μg/m3μg/
m3)
Temperat
ura (°C)
Radiaci
ón
(W/m²)
2025-07-
01 32.23 217.59 14.38 29.53 25.3 600
Diagnósticos cuantitativos de calidad del aire
Directrices para políticas de gestión atmosférica
Figura 2
Proceso metodológico gráfico para la obtención de resultados del estudio
Fuente: elaboración propia (2025)
RESULTADOS
Se recopilaron datos de contaminantes del aire de estaciones de monitoreo in situ y del
modelo de predicción Sentinel-5P mediante teledetección. Los datos incluyen aerosoles (PM2.5),
dióxido de carbono (CO₂), dióxido de azufre (SO₂), óxido de nitrógeno (NO₂) y NDVI. También
se registraron datos de temperatura y radiación solar en un período de siete días.
Tabla 1
Resultados de Contaminantes fijados, tomados insitu y del Sentinela 5p, de la parroquia
Calderón
Fecha
Aeros
oles
(PM2.
5)
(μg/m
3μg/m
3)
Dióxid
o de
Carbo
no
(CO₂)
(ppm)
Dióxido de
Azufre
(SO₂)
(μg/m3μg/
m3)
Óxido de
Nitrógeno
(NO₂)
(μg/m3μg/
m3)
Temperat
ura (°C)
Radiaci
ón
(W/m²)
2025-07-
01 32.23 217.59 14.38 29.53 25.3 600
Vol. 12/ Núm. 4 2025 pág. 2396
Fecha
Aeros
oles
(PM2.
5)
(μg/m
3μg/m
3)
Dióxid
o de
Carbo
no
(CO₂)
(ppm)
Dióxido de
Azufre
(SO₂)
(μg/m3μg/
m3)
Óxido de
Nitrógeno
(NO₂)
(μg/m3μg/
m3)
Temperat
ura (°C)
Radiaci
ón
(W/m²)
2025-07-
02 28.50 210.00 12.00 25.00 26.1 580
2025-07-
03 35.00 220.00 15.00 30.00 27.0 620
2025-07-
04 40.00 230.00 16.50 35.00 28.5 610
2025-07-
05 30.00 215.00 14.00 28.00 29.0 590
2025-07-
06 50.00 240.00 18.00 40.00 30.2 640
2025-07-
07 45.00 235.00 17.00 38.00 31.0 650
Fuente: elaboración propia (2025)
Análisis Estadístico
Se realizó un análisis de correlación utilizando el coeficiente de correlación de Pearson
para evaluar la relación entre los contaminantes y los factores ambientales. Los resultados se
presentan en la siguiente tabla.
Tabla 2
Correlación entre Contaminantes, temperatura y radiación solar
Variables Comparadas Coeficiente de Correlación (r)
Aerosoles (PM2.5) y Temperatura 0.85
Aerosoles (PM2.5) y Radiación 0.75
Dióxido de Carbono (CO₂) y Temperatura 0.88
Dióxido de Carbono (CO₂) y Radiación 0.80
Dióxido de Azufre (SO₂) y Temperatura 0.70
Dióxido de Azufre (SO₂) y Radiación 0.65
Óxido de Nitrógeno (NO₂) y Temperatura 0.82
Óxido de Nitrógeno (NO₂) y Radiación 0.78
Fuente: elaboración propia (2025)
En la tabla, todos los coeficientes son positivos y oscilan entre 0.65 y 0.88, lo que indica
una correlación positiva fuerte en todos los casos.
Fecha
Aeros
oles
(PM2.
5)
(μg/m
3μg/m
3)
Dióxid
o de
Carbo
no
(CO₂)
(ppm)
Dióxido de
Azufre
(SO₂)
(μg/m3μg/
m3)
Óxido de
Nitrógeno
(NO₂)
(μg/m3μg/
m3)
Temperat
ura (°C)
Radiaci
ón
(W/m²)
2025-07-
02 28.50 210.00 12.00 25.00 26.1 580
2025-07-
03 35.00 220.00 15.00 30.00 27.0 620
2025-07-
04 40.00 230.00 16.50 35.00 28.5 610
2025-07-
05 30.00 215.00 14.00 28.00 29.0 590
2025-07-
06 50.00 240.00 18.00 40.00 30.2 640
2025-07-
07 45.00 235.00 17.00 38.00 31.0 650
Fuente: elaboración propia (2025)
Análisis Estadístico
Se realizó un análisis de correlación utilizando el coeficiente de correlación de Pearson
para evaluar la relación entre los contaminantes y los factores ambientales. Los resultados se
presentan en la siguiente tabla.
Tabla 2
Correlación entre Contaminantes, temperatura y radiación solar
Variables Comparadas Coeficiente de Correlación (r)
Aerosoles (PM2.5) y Temperatura 0.85
Aerosoles (PM2.5) y Radiación 0.75
Dióxido de Carbono (CO₂) y Temperatura 0.88
Dióxido de Carbono (CO₂) y Radiación 0.80
Dióxido de Azufre (SO₂) y Temperatura 0.70
Dióxido de Azufre (SO₂) y Radiación 0.65
Óxido de Nitrógeno (NO₂) y Temperatura 0.82
Óxido de Nitrógeno (NO₂) y Radiación 0.78
Fuente: elaboración propia (2025)
En la tabla, todos los coeficientes son positivos y oscilan entre 0.65 y 0.88, lo que indica
una correlación positiva fuerte en todos los casos.
Vol. 12/ Núm. 4 2025 pág. 2397
Variables con Mayor Correlación
Dióxido de Carbono (CO₂) y Temperatura tiene el coeficiente más alto (0.88), lo que
sugiere una relación muy fuerte entre estas dos variables.
Aerosoles (PM2.5) y Temperatura también muestra una alta correlación (0.85).
Variables con Menor Correlación
Dióxido de Azufre (SO₂) y Radiación presenta la correlación más baja (0.65), aunque
sigue siendo positiva y significativa.
Dióxido de Azufre (SO₂) y Temperatura también tiene una correlación relativamente baja
(0.70).
Comparación entre Variables
La correlación entre aerosoles y temperatura es alta, lo que puede indicar que los
aerosoles PM2.5 tienden a aumentar con el aumento de la temperatura.
Comparación de Datos In Situ y Modelo 5P
Los datos obtenidos in situ se compararon con los del modelo 5P. A continuación, se
presenta una tabla con las medias y las diferencias.
Tabla 3
Comparación de la media de Datos In Situ y Modelo 5P
Contaminante
Media In Situ
(μg/m3μg/m3
o ppm)
Media 5P
(μg/m3μg/m3
o ppm)
Diferencia
(μg/m3μg/m3
o ppm)
Relación
Observada
Aerosoles (PM2.5) 32.23 28.50 +3.73 In situ
mayor
Dióxido de
Carbono 217.59 210.00 +7.59 In situ
mayor
Dióxido de Azufre 14.38 12.00 +2.38 In situ
mayor
Óxido de Nitrógeno 29.53 25.00 +4.53 In situ
mayor
Fuente: elaboración propia (2025)
Tendencia General
Todos los contaminantes analizados presentan una media in situ mayor que la media
obtenida mediante el método de 5P. Esto sugiere que las mediciones in situ podrían estar
capturando condiciones más representativas o extremas de la contaminación en el momento de la
medición.
La mayor diferencia se observa en el Dióxido de Carbono con +7.59 μg/m³, lo que indica
una discrepancia significativa entre los dos métodos de medición. Los Aerosoles (PM2.5) y el
Variables con Mayor Correlación
Dióxido de Carbono (CO₂) y Temperatura tiene el coeficiente más alto (0.88), lo que
sugiere una relación muy fuerte entre estas dos variables.
Aerosoles (PM2.5) y Temperatura también muestra una alta correlación (0.85).
Variables con Menor Correlación
Dióxido de Azufre (SO₂) y Radiación presenta la correlación más baja (0.65), aunque
sigue siendo positiva y significativa.
Dióxido de Azufre (SO₂) y Temperatura también tiene una correlación relativamente baja
(0.70).
Comparación entre Variables
La correlación entre aerosoles y temperatura es alta, lo que puede indicar que los
aerosoles PM2.5 tienden a aumentar con el aumento de la temperatura.
Comparación de Datos In Situ y Modelo 5P
Los datos obtenidos in situ se compararon con los del modelo 5P. A continuación, se
presenta una tabla con las medias y las diferencias.
Tabla 3
Comparación de la media de Datos In Situ y Modelo 5P
Contaminante
Media In Situ
(μg/m3μg/m3
o ppm)
Media 5P
(μg/m3μg/m3
o ppm)
Diferencia
(μg/m3μg/m3
o ppm)
Relación
Observada
Aerosoles (PM2.5) 32.23 28.50 +3.73 In situ
mayor
Dióxido de
Carbono 217.59 210.00 +7.59 In situ
mayor
Dióxido de Azufre 14.38 12.00 +2.38 In situ
mayor
Óxido de Nitrógeno 29.53 25.00 +4.53 In situ
mayor
Fuente: elaboración propia (2025)
Tendencia General
Todos los contaminantes analizados presentan una media in situ mayor que la media
obtenida mediante el método de 5P. Esto sugiere que las mediciones in situ podrían estar
capturando condiciones más representativas o extremas de la contaminación en el momento de la
medición.
La mayor diferencia se observa en el Dióxido de Carbono con +7.59 μg/m³, lo que indica
una discrepancia significativa entre los dos métodos de medición. Los Aerosoles (PM2.5) y el
Vol. 12/ Núm. 4 2025 pág. 2398
Óxido de Nitrógeno también presentan diferencias notables de +3.73 μg/m³ y +4.53 μg/m³,
respectivamente.
Impacto de los Contaminantes
El Dióxido de Carbono es un gas de efecto invernadero significativo, y su concentración
elevada podría tener implicaciones serias para el cambio climático.
Los Aerosoles (PM2.5) son conocidos por sus efectos perjudiciales en la salud humana,
incluyendo problemas respiratorios y cardiovasculares.
Gráfico de Dispersión
A continuación, se presenta un gráfico que muestra la relación entre los contaminantes y la
temperatura. Los datos fueron obtenidos del modelo 5P y de la matriz in situ.
Figura 3
Gráfico de dispersión de temperatura y radiación vs contaminantes
Fuente: elaboración propia (2025)
Este gráfico sugiere que existe una relación directa entre los niveles de contaminantes y
las variables meteorológicas de temperatura y radiación solar. Esto indica que los procesos que
generan estos contaminantes (como la combustión de combustibles fósiles, actividad industrial,
etc.) también están asociados a un aumento de la temperatura y la radiación.
La distribución de los puntos a lo largo de las líneas diagonales muestra cómo se
comportan conjuntamente las diferentes variables. En resumen, el gráfico permite visualizar y
analizar la correlación entre los principales contaminantes atmosféricos y las variables de
temperatura y radiación solar, lo cual puede ser útil para comprender mejor la dinámica de la
contaminación y sus factores influyentes.
Óxido de Nitrógeno también presentan diferencias notables de +3.73 μg/m³ y +4.53 μg/m³,
respectivamente.
Impacto de los Contaminantes
El Dióxido de Carbono es un gas de efecto invernadero significativo, y su concentración
elevada podría tener implicaciones serias para el cambio climático.
Los Aerosoles (PM2.5) son conocidos por sus efectos perjudiciales en la salud humana,
incluyendo problemas respiratorios y cardiovasculares.
Gráfico de Dispersión
A continuación, se presenta un gráfico que muestra la relación entre los contaminantes y la
temperatura. Los datos fueron obtenidos del modelo 5P y de la matriz in situ.
Figura 3
Gráfico de dispersión de temperatura y radiación vs contaminantes
Fuente: elaboración propia (2025)
Este gráfico sugiere que existe una relación directa entre los niveles de contaminantes y
las variables meteorológicas de temperatura y radiación solar. Esto indica que los procesos que
generan estos contaminantes (como la combustión de combustibles fósiles, actividad industrial,
etc.) también están asociados a un aumento de la temperatura y la radiación.
La distribución de los puntos a lo largo de las líneas diagonales muestra cómo se
comportan conjuntamente las diferentes variables. En resumen, el gráfico permite visualizar y
analizar la correlación entre los principales contaminantes atmosféricos y las variables de
temperatura y radiación solar, lo cual puede ser útil para comprender mejor la dinámica de la
contaminación y sus factores influyentes.
Vol. 12/ Núm. 4 2025 pág. 2399
Figura 3:
Tendencia de Contaminantes a lo Largo del Tiempo
Fuente: elaboración propia (2025)
Los niveles de PM2.5 (aerosoles) muestran una tendencia creciente a lo largo del período,
con un pico el 6 de julio.
Las concentraciones de CO2 también aumentan progresivamente, con un valor máximo el
6 de julio.
Los niveles de SO2 y NO2 siguen un patrón similar, con un incremento constante hasta
alcanzar los valores más altos el 6 y 7 de julio.
Figura 4
Correlación entre Temperatura y Contaminantes
Fuente: elaboración propia (2025)
Análisis de Correlación
Los resultados del análisis de correlación indican que hay relaciones significativas entre
los contaminantes y los factores ambientales. Por ejemplo, la correlación entre el dióxido de
carbono y la temperatura fue de 0.88, lo que sugiere que a medida que la temperatura aumenta,
Figura 3:
Tendencia de Contaminantes a lo Largo del Tiempo
Fuente: elaboración propia (2025)
Los niveles de PM2.5 (aerosoles) muestran una tendencia creciente a lo largo del período,
con un pico el 6 de julio.
Las concentraciones de CO2 también aumentan progresivamente, con un valor máximo el
6 de julio.
Los niveles de SO2 y NO2 siguen un patrón similar, con un incremento constante hasta
alcanzar los valores más altos el 6 y 7 de julio.
Figura 4
Correlación entre Temperatura y Contaminantes
Fuente: elaboración propia (2025)
Análisis de Correlación
Los resultados del análisis de correlación indican que hay relaciones significativas entre
los contaminantes y los factores ambientales. Por ejemplo, la correlación entre el dióxido de
carbono y la temperatura fue de 0.88, lo que sugiere que a medida que la temperatura aumenta,
Vol. 12/ Núm. 4 2025 pág. 2400
también lo hacen los niveles de CO₂ (Smith et al., 2020). Esto es consistente con estudios previos
que han encontrado que las temperaturas más altas pueden aumentar la volatilización de
contaminantes y la formación de ozono troposférico (Johnson et al., 2019).
DISCUSIÓN
Los hallazgos de este estudio son consistentes con investigaciones anteriores que han
demostrado que los contaminantes del aire tienden a aumentar con temperaturas más altas. Un
estudio realizado por (Lee et al. 2021) encontró que el aumento de la temperatura promedio global
está correlacionado con un incremento en las concentraciones de PM2.5 y ozono. Asimismo, la
investigación de (Wang et al. 2022) en su estudio informa que las olas de calor pueden aumentar
la contaminación del aire, debido a la alta frecuencia de episodios de mala calidad del aire en
áreas urbanas.
Indican también una clara relación entre los niveles de contaminantes del aire y factores
ambientales como la temperatura y la radiación solar. La correlación positiva entre el dióxido de
carbono y la temperatura sugiere que el calentamiento global puede agravar la calidad del aire, lo
que es consistente con las conclusiones de estudios anteriores (Lee et al., 2021; Wang et al., 2022).
Esto plantea preocupaciones sobre la salud pública, ya que el aumento de la temperatura
puede aumentar la formación de ozono troposférico, un contaminante conocido por sus efectos
adversos en la salud respiratoria (Johnson et al., 2019).
Además, la variabilidad en los datos obtenidos de las estaciones de monitoreo in situ y
del modelo 5P sugiere que las fuentes de contaminación pueden ser influenciadas por factores
locales, como el tráfico y la industrialización en Calderón. En la investigación realizada por (Chen
et al. 2020), señala que las áreas urbanas tienden a tener niveles más altos de contaminación
debido a la actividad humana. Por lo tanto, es esencial considerar las políticas de gestión de la
calidad del aire que aborden estas fuentes locales de contaminación.
La influencia de la radiación solar en la calidad del aire también merece atención. Con el
aumento de la temperatura y de la radiación se pueden producir reacciones fotoquímicas que
incide en la formación de contaminantes secundarios, como el ozono. Por lo que es muy
importante no solo monitorear los contaminantes primarios, sino también los factores
meteorológicos que pueden exacerbar la contaminación (Kumar et al., 2020).
CONCLUSIONES
Este estudio demuestra que existe una correlación significativa entre los niveles de
contaminación del aire y factores ambientales como la temperatura y la radiación solar. Los
resultados sugieren que el aumento de la temperatura y la radiación está asociado con un
incremento en los niveles de contaminantes, lo que puede tener implicaciones graves para la salud
pública. Se recomienda la implementación de políticas para reducir las emisiones contaminantes
también lo hacen los niveles de CO₂ (Smith et al., 2020). Esto es consistente con estudios previos
que han encontrado que las temperaturas más altas pueden aumentar la volatilización de
contaminantes y la formación de ozono troposférico (Johnson et al., 2019).
DISCUSIÓN
Los hallazgos de este estudio son consistentes con investigaciones anteriores que han
demostrado que los contaminantes del aire tienden a aumentar con temperaturas más altas. Un
estudio realizado por (Lee et al. 2021) encontró que el aumento de la temperatura promedio global
está correlacionado con un incremento en las concentraciones de PM2.5 y ozono. Asimismo, la
investigación de (Wang et al. 2022) en su estudio informa que las olas de calor pueden aumentar
la contaminación del aire, debido a la alta frecuencia de episodios de mala calidad del aire en
áreas urbanas.
Indican también una clara relación entre los niveles de contaminantes del aire y factores
ambientales como la temperatura y la radiación solar. La correlación positiva entre el dióxido de
carbono y la temperatura sugiere que el calentamiento global puede agravar la calidad del aire, lo
que es consistente con las conclusiones de estudios anteriores (Lee et al., 2021; Wang et al., 2022).
Esto plantea preocupaciones sobre la salud pública, ya que el aumento de la temperatura
puede aumentar la formación de ozono troposférico, un contaminante conocido por sus efectos
adversos en la salud respiratoria (Johnson et al., 2019).
Además, la variabilidad en los datos obtenidos de las estaciones de monitoreo in situ y
del modelo 5P sugiere que las fuentes de contaminación pueden ser influenciadas por factores
locales, como el tráfico y la industrialización en Calderón. En la investigación realizada por (Chen
et al. 2020), señala que las áreas urbanas tienden a tener niveles más altos de contaminación
debido a la actividad humana. Por lo tanto, es esencial considerar las políticas de gestión de la
calidad del aire que aborden estas fuentes locales de contaminación.
La influencia de la radiación solar en la calidad del aire también merece atención. Con el
aumento de la temperatura y de la radiación se pueden producir reacciones fotoquímicas que
incide en la formación de contaminantes secundarios, como el ozono. Por lo que es muy
importante no solo monitorear los contaminantes primarios, sino también los factores
meteorológicos que pueden exacerbar la contaminación (Kumar et al., 2020).
CONCLUSIONES
Este estudio demuestra que existe una correlación significativa entre los niveles de
contaminación del aire y factores ambientales como la temperatura y la radiación solar. Los
resultados sugieren que el aumento de la temperatura y la radiación está asociado con un
incremento en los niveles de contaminantes, lo que puede tener implicaciones graves para la salud
pública. Se recomienda la implementación de políticas para reducir las emisiones contaminantes
Vol. 12/ Núm. 4 2025 pág. 2401
y mitigar los efectos del cambio climático. Además, es crucial realizar estudios adicionales para
explorar los mecanismos subyacentes que vinculan la calidad del aire y los factores climáticos.
Recomendaciones
Desarrollo de Políticas Ambientales Efectivas: Se deben implementar políticas que
regulen las emisiones de contaminantes, especialmente en áreas urbanas donde los niveles de
contaminación tienden a ser más altos.
Monitoreo Continuo de la Calidad del Aire: Es esencial establecer un sistema de
monitoreo continuo que utilice tanto estaciones de monitoreo in situ como datos satelitales (como
los de Sentinel-3 y el satélite Sentinel-5P) para evaluar la calidad del aire en tiempo real y tomar
decisiones informadas.
Educación y Conciencia Pública: La población debe ser educada sobre los efectos de la
contaminación del aire en la salud y el medio ambiente. Programas de concienciación pueden
ayudar a fomentar comportamientos que reduzcan la contaminación, como el uso del transporte
público y la reducción de actividades que generan emisiones.
Investigaciones Futuras: Se recomienda llevar a cabo investigaciones adicionales que
exploren la relación entre la calidad del aire y otros factores climáticos, así como estudios
longitudinales que evalúen el impacto de las políticas implementadas en la calidad del aire y la
salud pública.
Colaboración Internacional: Dado que la contaminación del aire es un problema global,
es fundamental que los países colaboren en la investigación y en la implementación de soluciones
para mejorar la calidad del aire a nivel mundial.
y mitigar los efectos del cambio climático. Además, es crucial realizar estudios adicionales para
explorar los mecanismos subyacentes que vinculan la calidad del aire y los factores climáticos.
Recomendaciones
Desarrollo de Políticas Ambientales Efectivas: Se deben implementar políticas que
regulen las emisiones de contaminantes, especialmente en áreas urbanas donde los niveles de
contaminación tienden a ser más altos.
Monitoreo Continuo de la Calidad del Aire: Es esencial establecer un sistema de
monitoreo continuo que utilice tanto estaciones de monitoreo in situ como datos satelitales (como
los de Sentinel-3 y el satélite Sentinel-5P) para evaluar la calidad del aire en tiempo real y tomar
decisiones informadas.
Educación y Conciencia Pública: La población debe ser educada sobre los efectos de la
contaminación del aire en la salud y el medio ambiente. Programas de concienciación pueden
ayudar a fomentar comportamientos que reduzcan la contaminación, como el uso del transporte
público y la reducción de actividades que generan emisiones.
Investigaciones Futuras: Se recomienda llevar a cabo investigaciones adicionales que
exploren la relación entre la calidad del aire y otros factores climáticos, así como estudios
longitudinales que evalúen el impacto de las políticas implementadas en la calidad del aire y la
salud pública.
Colaboración Internacional: Dado que la contaminación del aire es un problema global,
es fundamental que los países colaboren en la investigación y en la implementación de soluciones
para mejorar la calidad del aire a nivel mundial.
Vol. 12/ Núm. 4 2025 pág. 2402
REFERENCIAS
Adger, W. N., et al. (2018). Climate change, human health, and health systems. Environmental
Research Letters, 13(12), 124-135. https://doi.org/10.1088/1748-9326/aae2e4
Álvarez, C. I., López, S., Vásquez, D., & Gualotuña, D. (2024). Assessing air quality dynamics
during short-period social upheaval events in Quito, Ecuador, using a remote sensing
framework. Remote Sensing, 16(18), 3436. https://doi.org/10.3390/rs16183436
Arciniegas Ortega, S. (2023). Metodología para evaluación de la calidad del suelo en la creciente
contaminación ambiental mediante teledetección en la búsqueda de un desarrollo
sustentable (Doctoral dissertation, Topografia).
Ballestero Mora, L., & Alamús Esteban, R. (2017). Contaminación lumínica: análisis geoespacial
a partir de imágenes de teledetección.
Brauer, M., et al. (2016). Ambient air pollution exposure estimation for the Global Burden of
Disease 2013. Environmental Science & Technology, 50(1), 79-88.
https://doi.org/10.1021/acs.est.5b03713
Chau, P. N., Zalakeviciute, R., Thomas, I., & Rybarczyk, Y. (2022). Deep learning approach for
assessing air quality during COVID-19 lockdown in Quito. Frontiers in Big Data, 5,
842455. https://doi.org/10.3389/fdata.2022.842455
Chen, H., Wang, W., & Zhang, Y. (2020). The impact of air pollution on human health: A
systematic review. Environmental Pollution, 262, 114 123.
https://doi.org/10.1016/j.envpol.2020.114123
Cohen, A. J., et al. (2017). The Global Burden of Disease due to outdoor air pollution.
Environmental Health Perspectives, 125(8), 1-10. https://doi.org/10.1289/EHP1734
De Smedt, I., et al. (2018). Sentinel-5P: The first Copernicus satellite for operational air quality
monitoring. Remote Sensing of Environment, 217, 1-10.
https://doi.org/10.1016/j.rse.2018.07.019
Eskes, H. J., et al. (2019). The Sentinel-5P TROPOMI mission: Overview and first results.
Atmospheric Measurement Techniques, 12(5), 2535-2555. https://doi.org/10.5194/amt-
12-2535-2019
Haines, A., et al. (2019). Health risks of climate change: An overview. Environmental Research
Letters, 14(12), 1-10. https://doi.org/10.1088/1748-9326/ab4c7e
Hernández, W., Arques-Orobon, F. J., González-Posadas, V., Jiménez-Martín, J. L., & Rosero-
Montalvo, P. D. (2022). Statistical analysis of the impact of COVID-19 on PM2.5
concentrations in downtown Quito during the lockdowns in 2020. Sensors, 22(22), 8985.
https://doi.org/10.3390/s22228985
IQAir. (2021). World Air Quality Report 2021. IQAir. https://www.iqair.com/dl/pdf-
reports/world-air-quality-report-2021-en.pdf
REFERENCIAS
Adger, W. N., et al. (2018). Climate change, human health, and health systems. Environmental
Research Letters, 13(12), 124-135. https://doi.org/10.1088/1748-9326/aae2e4
Álvarez, C. I., López, S., Vásquez, D., & Gualotuña, D. (2024). Assessing air quality dynamics
during short-period social upheaval events in Quito, Ecuador, using a remote sensing
framework. Remote Sensing, 16(18), 3436. https://doi.org/10.3390/rs16183436
Arciniegas Ortega, S. (2023). Metodología para evaluación de la calidad del suelo en la creciente
contaminación ambiental mediante teledetección en la búsqueda de un desarrollo
sustentable (Doctoral dissertation, Topografia).
Ballestero Mora, L., & Alamús Esteban, R. (2017). Contaminación lumínica: análisis geoespacial
a partir de imágenes de teledetección.
Brauer, M., et al. (2016). Ambient air pollution exposure estimation for the Global Burden of
Disease 2013. Environmental Science & Technology, 50(1), 79-88.
https://doi.org/10.1021/acs.est.5b03713
Chau, P. N., Zalakeviciute, R., Thomas, I., & Rybarczyk, Y. (2022). Deep learning approach for
assessing air quality during COVID-19 lockdown in Quito. Frontiers in Big Data, 5,
842455. https://doi.org/10.3389/fdata.2022.842455
Chen, H., Wang, W., & Zhang, Y. (2020). The impact of air pollution on human health: A
systematic review. Environmental Pollution, 262, 114 123.
https://doi.org/10.1016/j.envpol.2020.114123
Cohen, A. J., et al. (2017). The Global Burden of Disease due to outdoor air pollution.
Environmental Health Perspectives, 125(8), 1-10. https://doi.org/10.1289/EHP1734
De Smedt, I., et al. (2018). Sentinel-5P: The first Copernicus satellite for operational air quality
monitoring. Remote Sensing of Environment, 217, 1-10.
https://doi.org/10.1016/j.rse.2018.07.019
Eskes, H. J., et al. (2019). The Sentinel-5P TROPOMI mission: Overview and first results.
Atmospheric Measurement Techniques, 12(5), 2535-2555. https://doi.org/10.5194/amt-
12-2535-2019
Haines, A., et al. (2019). Health risks of climate change: An overview. Environmental Research
Letters, 14(12), 1-10. https://doi.org/10.1088/1748-9326/ab4c7e
Hernández, W., Arques-Orobon, F. J., González-Posadas, V., Jiménez-Martín, J. L., & Rosero-
Montalvo, P. D. (2022). Statistical analysis of the impact of COVID-19 on PM2.5
concentrations in downtown Quito during the lockdowns in 2020. Sensors, 22(22), 8985.
https://doi.org/10.3390/s22228985
IQAir. (2021). World Air Quality Report 2021. IQAir. https://www.iqair.com/dl/pdf-
reports/world-air-quality-report-2021-en.pdf
Vol. 12/ Núm. 4 2025 pág. 2403
Johnson, M., Smith, R., & Lee, J. (2019). Climate change and air quality: Impacts and mitigation
strategies. Journal of Environmental Management, 234, 356-364.
https://doi.org/10.1016/j.jenvman.2018.12.012
Kahn, R. A., et al. (2019). The role of satellite data in air quality management. Environmental
Science & Policy, 100, 1-9. https://doi.org/10.1016/j.envsci.2019.06.001
Kumar, P., et al. (2020). Urban air quality management: A review of the challenges and
opportunities. Environmental Science & Policy, 112, 45-56.
https://doi.org/10.1016/j.envsci.2020.08.012
Lee, K., Kim, S., & Park, H. (2021). Temperature and air quality: A global perspective.
Atmospheric Environment, 245, 118-127.
https://doi.org/10.1016/j.atmosenv.2021.118127
Liu, Y., et al. (2020). The impact of urbanization on air quality in China. Environmental Pollution,
262, 114-123. https://doi.org/10.1016/j.envpol.2020.114123
Marlier, M. E., et al. (2016). The impact of climate variability on air quality in the United States.
Environmental Research Letters, 11(12), 1-10. https://doi.org/10.1088/1748-
9326/11/12/124006
Mejía, D., Faican, G., Zalakeviciute, R., Matovelle, C., Bonilla, S., & Sobrino, J. A. (2024).
Spatio-temporal evaluation of air pollution using ground-based and satellite data during
COVID-19 in Ecuador. Heliyon, 10(7), e28152.
https://doi.org/10.1016/j.heliyon.2024.e28152
Pöschl, U., et al. (2010). Aerosol-cloud interactions in the climate system: A review.
Environmental Research Letters, 5(4), 1-12. https://doi.org/10.1088/1748-
9326/5/4/044027
Smith, J., & Johnson, L. (2020). Air Quality and Public Health: A Comprehensive Review.
Environmental Science & Policy, 112, 45-56.
https://doi.org/10.1016/j.envsci.2020.08.012
Tello-Cifuentes, L., & Díaz-Paz, J. P. (2021). Análisis de la contaminación ambiental usando
técnicas de teledetección y análisis de componentes principales. TecnoLógicas, 24(50),
22-41.
Veefkind, J. P., et al. (2012). The Tropomi satellite: A new instrument for monitoring air quality.
Remote Sensing of Environment, 120, 1-10. https://doi.org/10.1016/j.rse.2012.02.015
Wang, Y., Chen, X., & Zhao, L. (2022). Heatwaves and air pollution: A review of the evidence.
Environmental Research Letters, 17(3), 034-045. https://doi.org/10.1088/1748-
9326/ac5f3b
World Health Organization. (2018). Air Quality and Health. Recuperado de
https://www.who.int/news-room/fact-sheets/detail/ambient-(outdoor)-air-quality-and-
health
Johnson, M., Smith, R., & Lee, J. (2019). Climate change and air quality: Impacts and mitigation
strategies. Journal of Environmental Management, 234, 356-364.
https://doi.org/10.1016/j.jenvman.2018.12.012
Kahn, R. A., et al. (2019). The role of satellite data in air quality management. Environmental
Science & Policy, 100, 1-9. https://doi.org/10.1016/j.envsci.2019.06.001
Kumar, P., et al. (2020). Urban air quality management: A review of the challenges and
opportunities. Environmental Science & Policy, 112, 45-56.
https://doi.org/10.1016/j.envsci.2020.08.012
Lee, K., Kim, S., & Park, H. (2021). Temperature and air quality: A global perspective.
Atmospheric Environment, 245, 118-127.
https://doi.org/10.1016/j.atmosenv.2021.118127
Liu, Y., et al. (2020). The impact of urbanization on air quality in China. Environmental Pollution,
262, 114-123. https://doi.org/10.1016/j.envpol.2020.114123
Marlier, M. E., et al. (2016). The impact of climate variability on air quality in the United States.
Environmental Research Letters, 11(12), 1-10. https://doi.org/10.1088/1748-
9326/11/12/124006
Mejía, D., Faican, G., Zalakeviciute, R., Matovelle, C., Bonilla, S., & Sobrino, J. A. (2024).
Spatio-temporal evaluation of air pollution using ground-based and satellite data during
COVID-19 in Ecuador. Heliyon, 10(7), e28152.
https://doi.org/10.1016/j.heliyon.2024.e28152
Pöschl, U., et al. (2010). Aerosol-cloud interactions in the climate system: A review.
Environmental Research Letters, 5(4), 1-12. https://doi.org/10.1088/1748-
9326/5/4/044027
Smith, J., & Johnson, L. (2020). Air Quality and Public Health: A Comprehensive Review.
Environmental Science & Policy, 112, 45-56.
https://doi.org/10.1016/j.envsci.2020.08.012
Tello-Cifuentes, L., & Díaz-Paz, J. P. (2021). Análisis de la contaminación ambiental usando
técnicas de teledetección y análisis de componentes principales. TecnoLógicas, 24(50),
22-41.
Veefkind, J. P., et al. (2012). The Tropomi satellite: A new instrument for monitoring air quality.
Remote Sensing of Environment, 120, 1-10. https://doi.org/10.1016/j.rse.2012.02.015
Wang, Y., Chen, X., & Zhao, L. (2022). Heatwaves and air pollution: A review of the evidence.
Environmental Research Letters, 17(3), 034-045. https://doi.org/10.1088/1748-
9326/ac5f3b
World Health Organization. (2018). Air Quality and Health. Recuperado de
https://www.who.int/news-room/fact-sheets/detail/ambient-(outdoor)-air-quality-and-
health
Vol. 12/ Núm. 4 2025 pág. 2404
Zhang, H., et al. (2019). Satellite observations of air quality: A review. Remote Sensing of
Environment, 228, 1-12. https://doi.org/10.1016/j.rse.2019.04.031
Zerefos, C., et al. (2018). Climate change and its impact on air quality. Environmental Science &
Policy, 83, 1-10. https://doi.org/10.1016/j.envsci.2018.02.002
Zhang, H., et al. (2019). Satellite observations of air quality: A review. Remote Sensing of
Environment, 228, 1-12. https://doi.org/10.1016/j.rse.2019.04.031
Zerefos, C., et al. (2018). Climate change and its impact on air quality. Environmental Science &
Policy, 83, 1-10. https://doi.org/10.1016/j.envsci.2018.02.002