Predicción espacio-temporal y análisis de tendencias del PM10 y PM2.5 en zonas de nuevas edificaciones en bogotá en el periodo de 2012-2021

Jaimes Cuberos, Ederson

Predicción espacio-temporal y análisis de tendencias del PM10 y PM2.5 en zonas de nuevas edificaciones en bogotá en el periodo de 2012-2021

dc.contributor.advisor	Pineda Rios, Wilmer Darío
dc.contributor.author	Jaimes Cuberos, Ederson
dc.contributor.corporatename	Universidad Santo Tomas
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001454199
dc.contributor.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000800147
dc.contributor.googlescholar	https://scholar.google.com/citations?user=4-t7xVcAAAAJ&hl=es&oi=ao
dc.contributor.orcid	https://orcid.org/0000-0001-7774-951X
dc.contributor.orcid	https://orcid.org/0000-0002-4407-7646
dc.date.accessioned	2026-04-30T11:35:54Z
dc.date.available	2026-04-30T11:35:54Z
dc.date.issued	2026-04-29
dc.description	Este estudio tuvo como objetivo estimar los niveles de concentración de material particulado, PM10 y PM2.5, en las zonas de nuevas edi caciones en la ciudad de Bogotá y analizar su tendencia espacio-temporal durante el periodo 2012-2021. La expansión de las edi caciones en la ciudad responde al crecimiento poblacional y al aumento en la demanda de vivienda en diversas localidades. Para el desarrollo del estudio se realizó el procesamiento, integración y depuración de los datos utilizando el software R versión 4.5.1 (2025-06-13), empleando los paquetes "spacetime" y "gstat" para la construcción del semivariograma, la estimación de la covarianza espacio-temporal, el ajuste de modelos teóricos de variograma y la interpolación espacio-temporal mediante kriging. Previo a este proceso, fue necesario aplicar imputación de datos faltantes mediante el filtro de Kalman utilizando el paquete "imputeTS", considerando únicamente las estaciones con un mínimo del 70% de disponibilidad de datos para PM10 y PM2.5; aquellas que no cumplían este criterio fueron excluidas del análisis. Posteriormente, se construyó el semivariograma espacio-temporal empírico y se predijeron las concentraciones de PM10 y PM2.5 en ubicaciones y tiempos no observados asociados a las nuevas edificaciones, mediante el método de kriging con predictor lineal insesgado (BLUP). Este procedimiento permitió estimar la concentración promedio del material particulado en todo el dominio espacio-temporal de interés, proporcionando una caracterización detallada del comportamiento de estos contaminantes en áreas urbanas en expansión. Además, con el fín de evaluar los cambios a largo plazo en las concentraciones estimadas, se aplicó la prueba no paramétrica de Mann-Kendall con el paquete "trend" del software R, a las series de tiempo interpoladas en 101 puntos asociados con nuevas edificaciones. Los resultados mostraron tendencias significativamente decrecientes para PM10 y PM2.5 durante el periodo 2012-2022. En conjunto, la metodología aplicada demuestra que la modelación geoestadística espacio-temporal es una herramienta robusta para estimar concentraciones de contaminantes atmosféricos en áreas sin monitoreo directo y para identificar tendencias relevantes en el contexto de la planificación urbano-ambiental.
dc.description.abstract	This study aimed to estimate the concentrations of particulate matter PM10 and PM2.5 in areas with new building developments in Bogotá and to analyze their spatio-temporal trends during the period 2012-2021. The expansion of residential construction in the city responds to population growth and increasing housing demand across several localities. Data processing, integration, and cleaning were carried out using R software (version 4.5.1, 2025-06-13). The "spacetime" and "gstat" packages were employed to construct the empirical spatio-temporal variogram, estimate the spatio-temporal covariance structure, fi t valid theoretical variogram models, and perform spatio-temporal interpolation through kriging. Prior to these procedures, missing data were imputed using the Kalman filter through the "imputeTS" package, considering only monitoring stations with at least 70% data availability for PM10 and PM2.5; stations not meeting this criterion were excluded from the analysis. Subsequently, the spatio-temporal variogram was constructed, and concentrations of PM10 and PM2.5 were predicted at unobserved locations and times associated with new building sites, using the ordinary kriging method with a Best Linear Unbiased Predictor (BLUP). This approach enabled the estimation of the average particulate matter concentration across the full spatio-temporal domain of interest, providing a detailed characterization of pollutant levels in urban areas undergoing development. To evaluate long-term tendencies in the estimated concentrations, a Mann-Kendall (package "trend") non-parametric trend analysis was applied to the interpolated time series for PM 10 and PM 2.5 at 101 locations associated with new developments. The results revealed signi cant decreasing trends for both pollutants during 2012-2022. Overall, the methodological framework demonstrates that spatio-temporal geostatistical modeling is a robust approach for estimating air pollutant concentrations in areas lacking direct monitoring, and for identifying long-term trends relevant to urban environmental planning.
dc.description.degreelevel	Maestría	spa
dc.description.degreename	Magister en Estadística Aplicada	spa
dc.format.mimetype	application/pdf
dc.identifier.citation	Jaimes-Cuberos, E. y Pineda Rios, W. (2025). Predicción espacio-temporal y análisis de tendencias del PM10 y PM2.5 en zonas de nuevas edificaciones en bogotá en el periodo de 2012-2021. [Trabajo de Maestría, Universidad Santo Tomás]. Repositorio Institucional
dc.identifier.instname	instname:Universidad Santo Tomás	spa
dc.identifier.reponame	reponame:Repositorio Institucional Universidad Santo Tomás	spa
dc.identifier.repourl	repourl:https://repository.usta.edu.co	spa
dc.identifier.uri	http://hdl.handle.net/11634/72237
dc.language.iso	spa
dc.publisher	Universidad Santo Tomás	spa
dc.publisher.branch	CRAI-USTA Bogotá
dc.publisher.faculty	Facultad de Estadística	spa
dc.publisher.program	Maestría Estadística Aplicada	spa
dc.relation.references	Abramowitz, M. and Stegun, I. A. Handbook of mathematical functions. Dover, New York, 1965.
dc.relation.references	Akwarandu, N. E., Etim, A. P., Edet, E. A., Oluwatosin, B. I., Afolabi, O. O. and Omoniyi, O. J. (2022). Evaluation of geostatistical and multiple regression models for assessment of spatial characteristics of carbon monoxide concentration in a data-limited environment. Applied Geography, 149. doi: https: //doi.org/10.1016/j.apgeog.2022.102816.
dc.relation.references	Alcaldía Mayor de Bogotá D.C. (2019). Decreto 840 de 2019: Por medio del cual se establecen las condiciones y restricciones para el tránsito de los vehículos de transporte de carga en el distrito capital, y se dictan otras disposiciones. URL https://www.alcaldiabogota.gov.co/sisjur/normas/Norma1. jsp?i=88592. Fecha de expedición: 27 de diciembre de 2019. Publicado en Registro Distrital No. 6706 del 31 de diciembre de 2019.
dc.relation.references	Alcaldía Mayor de Bogotá D.C. (2022). Decreto 077 de 2022: Por medio del cual se modifica el decreto distrital 840 de 2019 y se dictan otras disposiciones. URL https://www.alcaldiabogota.gov.co/ sisjur/normas/Norma1.jsp?i=91002. Fecha de expedición: 30 de diciembre de 2022. Publicado en Registro Distrital No. 7404 del 30 de diciembre de 2022.
dc.relation.references	Barnaba, F., Alvan, R. N., Bolignano, A., Basart, S., Renzi, M. and Stafoggia, M. (2022). Multiannual assessment of the desert dust impact on air quality in italy combining pm10 data with physics-based and geostatistical models. Environment International, 163. doi: https://doi.org/10.1016/j.envint.2022.107204.
dc.relation.references	Beloconi, A., Kamarianakis, Y. and Chrysoulakis, N. (2016). Estimating rrban pm10 and pm2.5 concentrations, based on synergistic meris/aatsr aerosol observations, land cover and morphology data. Remote Sensing of Environment, pages 148-164. doi: https://doi.org/10.1016/j.rse.2015.10.017.
dc.relation.references	Beloconi, A., Chrysoulakis, N., Lyapustin, A., Utzinger, J. and Vounatsou, P. (2018). Bayesian geostatistical modelling of pm10 and pm2.5 surface level concentrations in europe using high-resolution satellitederived products. Environment International, pages 57-70. doi: https://doi.org/10.1016/j.envint. 2018.08.041.
dc.relation.references	Bevilacqua, M. (2008). Composite likelihood inference for space-time covariance models. Tesis doctoral, Universidad de Chile. URL https://www.researchgate.net/publication/37677835_Composite_ likelihood_inference_for_space-time_covariance_models. Tesis sobre modelación y estimación de funciones de covarianza espacio-temporales.
dc.relation.references	Cantú-González, J., Soto-Villalobos, R., Benavides-Bravo, F., Benavides-Ríos, Ramírez-Trejos, P. and Aguirre López, M. (2024). A power-law exponential model for variograms with quick transition and known range: construction and application to geostatistical time series. Journal of Computational and Applied Mathematics. doi: https://doi.org/10.1016/j.cam.2023.115405.
dc.relation.references	Colombia. (1991). Constitución Política de Colombia, Colombia. Título II, Artículo 79: Derecho al ambiente sano y Artículo 80: Manejo de los recursos naturales.
dc.relation.references	Colombia. (1993). Ley 99 de 1993, ley general ambiental de colombia, Dec. 1993. Numerales 10, 11 y 14 del Artículo 5. Colombia.
dc.relation.references	Colombia. (2010). Política de prevención y control de la contaminación del aire, Apr. 2010. Colombia: Ministerio de Ambiente, Vivienda y Desarrollo Territorial.
dc.relation.references	Colombia. (2017). Resolución 2254 del 2017, Nov. 2017. Artículo 1 y 2. Colombia: Ministerio de Ambiente y Desarrollo Sostenible.
dc.relation.references	Colombia. (2022). Bogotá región: Un solo territorio, Mar. 2022. Colombia: Secretaria Distrital de Planeación, Dirección de Integración Regional, Nacional e Internacional.
dc.relation.references	Cressie, N. (2015). Statistics for spatial data. John Wiley Sons.
dc.relation.references	Cressie, N. and Hawkins, D. M. (1980). Robust estimation of the variogram: I. Journal of the International Association for Mathematical Geology, 12(2):115-125. doi: https://doi.org/10.1007/BF01035243.
dc.relation.references	Cressie, N. and Majure, J. J. (1995). Spatio-temporal statistical modeling of environmental processes. In Statistics for the Environment 3, pages 3-27. Wiley.
dc.relation.references	DANE - Departamento Administrativo Nacional de Estadística. (2024). Proyecciones de población desagregadas por localidades 2012-2035 y upz 2018-2024. https://www.dane.gov.co/index.php/ estadisticas-por-tema/demografia-y-poblacion/proyecciones-de-poblacion. Departamento Administrativo Nacional de Estadística - DANE.
dc.relation.references	Diggle, P. J., Gatrell, A. C. and Löytönen, M. (1995). Spatial point analysis and its application in geographical epidemiology. Oxford University Press.
dc.relation.references	Durbin, J. and Koopman, S. J. (2012). Time series analysis by state space methods. Number 38. Oxford University Press.
dc.relation.references	Fernández Casal, R. (2003). Geoestadística Espacio-Temporal. Universidad de Santiago de Compostela.
dc.relation.references	Gil, C. and Wilmsmeier, G. (2025). Assessing the impact of urban freight traffic restrictions on mobility and emissions: evidence from bogotá, colombia. Transportation Research Interdisciplinary Perspectives, 34. doi: https://doi.org/10.1016/j.trip.2025.101750.
dc.relation.references	Gilbert, R. O. (1987). Statistical methods for environmental pollution monitoring. Van Nostrand Reinhold, New York.
dc.relation.references	Giraldo Henao, R. (2002). Introducción a la Geoestadística: Teoría y Aplicación. Universidad Nacional de Colombia.
dc.relation.references	Goldman, G., Mulholland, J., Russell, A., Gass, K., Strickland, M. and Tolbert, P. (2012). Characterization of ambient air pollution measurement error in a time-series health study using a geostatistical simulation approach. Atmospheric Environment, 57:101-108. doi: https://doi.org/10.1016/j.atmosenv.2012. 04.045.
dc.relation.references	Hamm, N., Finley, A., Schaap, M. and Stein, A. (2015). A spatially varying coeficient model for mapping pm10 air quality at the european scale. Atmospheric Environment, 102:393-405. doi: https: //doi.org/10.1016/j.atmosenv.2014.11.043.
dc.relation.references	Jaime, D. F. and Mangones, S. C. (2025). Bene ts of transportation strategies to reduce on-road traffic pollution emissions: evidence from Bogota, Colombia. Case Studies on Transport Policy, 21. doi: https://doi-org.bibliotecavirtual.uis.edu.co/10.1016/j.cstp.2025.101527.
dc.relation.references	Journel, A. and Huijbregts, C. (1978). Mining geostatistics. Academic Press, New York.
dc.relation.references	Kendall, M. G. (1978). Rank correlation methods. Charles Griffin, London, 4th edition.
dc.relation.references	Ma, J., Ding, Y., Cheng, J., Jiang, F. and Wan, Z. (2019). A temporal-spatial interpolation and extrapolation method based on geographic long short-term memory neural network for pm2.5. Journal of Cleaner Production, 237. doi: https://doi.org/10.1016/j.jclepro.2019.117729.
dc.relation.references	Mas, J. F. (2016). An introduction to r for spatial analysis & mapping. GeoFocus. International Review of Geographical Information Science and Technology, 17:185-186. URL https://geofocus.org/ index.php/geofocus/article/view/484.
dc.relation.references	Matheron, G. (2012). Estimating and choosing: an essay on probability in practice. Springer Science & Business Media. ISBN 978-3-642-48817-7. URL https://link.springer.com/book/10.1007/ 978-3-642-48817-7.
dc.relation.references	Melo Martínez, C. E. (2012). Análisis geoestadístico espacio tiempo basado en distancias y splines con aplicaciones. Tesis doctoral, Universitat de Barcelona. URL https://tdx.cat/handle/10803/101202. Dirigida por Jorge Mateu y Toni Monleón Getino.
dc.relation.references	Mohammadi, Y., Zandi, O., Nasseri, M. and Rashidi, Y. (2023). Spatiotemporal modelling of pm10 via committee method with in-situ and large scale information: coupling of machine learning and statistical methods. Urban Climate, 49. doi: https://doi.org/10.1016/j.uclim.2023.101494.
dc.relation.references	Montero, J. M., Fernández-Avilés, G. and Mateu, J. (2015). Spatial and spatio-temporal geostatistical modeling and kriging. John Wiley & Sons. ISBN 978-1-118-41318-0. URL https://www.wiley.com/en-us/Spatial+and+Spatio+Temporal+Geostatistical+Modeling+ and+Kriging-p-9781118413180.
dc.relation.references	Pebesma, E. J. (2001). Gstat user's manual. Dept. of Physical Geography, Utrecht University, Utrecht, The Netherlands. URL http://www.gstat.org/gstat.pdf. Manual de usuario del software Gstat para modelado geoestadístico.
dc.relation.references	Robertson, G. P. (1987). Geostatistics in ecology: interpolating with known variance. Ecology, 68(3):744-748. doi: https://doi.org/10.2307/1938482.
dc.relation.references	Rouhani, S. and Hall, T. J. (1989). Space-time kriging of groundwater data. In Geostatistics, volume 2, pages 639-650. Kluwer Academic Publishers, Dordrecht.
dc.relation.references	Samper, F. J. and Carrera, J. (1990). Geoestadística: aplicaciones a la hidrogeología subterránea. Centro Internacional de Métodos Numéricos en Ingeniería, Universitat Politécnica de Catalunya, Barcelona. ISBN 84-404-6045-7. URL https://dialnet.unirioja.es/servlet/libro?codigo=238533.
dc.relation.references	U.S. Environmental Protection Agency. (2023). 40 CFR Part 50 - National primary and secondary ambient air quality standards. https://www.ecfr.gov/current/title-40/chapter-I/subchapter-C/part-50. Código de Reglamentos Federales, Título 40, Parte 50.
dc.relation.references	Westerlund, J., Urbain, J. P. and Bonilla, J. (2014). Application of air quality combination forecasting to bogotá. Atmospheric Environment, 89:22-28. doi: https://doi-org.bibliotecavirtual.uis.edu.co/10.1016/ j.atmosenv.2014.02.015.
dc.relation.references	Zender-Swiercz, E., Galiszewska, B., Telejko, M. and Starzomska, M. (2024). The effect of temperature and humidity of air on the concentration of particulate matter - pm2.5 and pm10. Atmospheric Research, 312. ISSN 0169-8095. doi: https://doi.org/10.1016/j.atmosres.2024.107733. URL https://www. sciencedirect.com/science/article/pii/S0169809524005155.
dc.rights	Attribution-NonCommercial-NoDerivs 2.5 Colombia	en
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Abierto (Texto Completo)	spa
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.keyword	Air quality
dc.subject.keyword	Particulate matter
dc.subject.keyword	Kriging method
dc.subject.keyword	Semivariogram
dc.subject.keyword	Covariogram
dc.subject.keyword	PM10
dc.subject.keyword	PM2.5
dc.subject.lemb	Estadísticas aplicadas
dc.subject.lemb	Monitoreo ambiental
dc.subject.lemb	Software R (Programa de computadora)
dc.subject.proposal	Calidad del aire
dc.subject.proposal	Material particulado
dc.subject.proposal	PM10
dc.subject.proposal	PM2.5
dc.subject.proposal	Método Kriging
dc.subject.proposal	Semivariograma
dc.subject.proposal	Covariograma
dc.title	Predicción espacio-temporal y análisis de tendencias del PM10 y PM2.5 en zonas de nuevas edificaciones en bogotá en el periodo de 2012-2021
dc.type	master thesis
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.drive	info:eu-repo/semantics/masterThesis
dc.type.local	Tesis de maestría	spa
dc.type.version	info:eu-repo/semantics/acceptedVersion