OTRA VUELTA DE TUERCA AL TRÁFICO Y LA CALIDAD DEL AIRE EN MADRID.

En el anterior artículo del blog buscamos cómo podía contribuir el tráfico rodado a la contaminación atmosférica en Madrid, escogiendo para ello dos parámetros contaminantes (PM₁₀ y NO₂) para tres estaciones representativas, y cruzándolos con datos de aforo de estaciones fijas próximas y datos de meteorología. La idea, generar escenarios en los que pudiésemos analizar qué relación presentaba el tráfico con la calidad del aire.

Al hacer el ejercicio pudimos comprobar muchos aspectos interesantes, e incluso observar potenciales interferencias con algunos equipos de medición, pero quizás lo más importante es que nos pudimos dar cuenta de que los niveles en inmisión estaban directamente relacionados con el tráfico rodado, siendo la principal causa de la mala calidad del aire hasta en un 26% de las ocasiones, y esto para todas las estaciones.

También quedó claro que la mayor parte de los días (92% de la varianza explicada) quedaban definidos por poco más que cinco escenarios de estudio, en los que las principales relaciones se daban entre los parámetros de radiación solar, temperatura, humedad relativa y el propio aforo de tráfico, quedando el viento relegado a situaciones de inversión en un tercer escenario mucho más discreto.

El dibujo que hacíamos de la situación era claro, y podíamos obtener conclusiones evidentes sobre el impacto del tráfico en una ciudad como Madrid. Pero nos quedaba en el tintero poner número a esa relación. ¿Hasta qué punto afecta a la calidad del aire de Madrid el tráfico rodado? ¿Qué reducciones podría llegar a conseguir si reduzco el tráfico en el área de influencia directa de una estación? ¿Es posible ir más allá de la detección de una relación evidente y definir potenciales de reducción?

Eso es lo que vamos a intentar hacer en este artículo, poniendo encima de la mesa una propuesta de análisis de escenarios de especial interés para definir contribuciones y potenciales de reducción. Una herramienta que podría ser muy interesante en estudios como los que se precisan para la implantación de Zonas de Bajas Emisiones en las Ciudades Españolas o sencillamente en la realización de estudios de contribución serios, antes de hablar de emisiones de aeronaves o de calefacciones de carbón o buscar otras excusas para actuar.

METODOLOGÍA UTILIZADA.

Partiendo de los datos obtenidos en el artículo anterior, y una vez comprobado que se puede caracterizar la calidad del aire a través de cinco escenarios básicos en los que aforo y meteorología parecen presentar una buena correlación con la calidad del aire en parte de los casos, nos podemos plantear utilizar otra técnica de machine learning para buscar si existe una correlación directa entre aforo y calidad del aire, segregando el factor meteorológico.

La técnica a utilizar ahora es la de clusterización o clustering (en inglés). Esta técnica es también una técnica de manchine learning no supervisado cuya finalidad es segregar un conjunto de observaciones con varias variables en una serie de categorías o segmentos, llamados clúster, en función de sus características similares.

Lo que hace la técnica en realidad es “medir la distancia” entre las observaciones y una serie de centroides, cuyo número asigna el propio usuario, actualizando luego los centroides en base a la posición promedio de las distintas observaciones asignadas. Iterando el proceso un número determinado de veces, o hasta que los centroides no se mueven o están por debajo de un determinado umbral, lo que conseguimos es agrupar las observaciones en función de su proximidad a lo largo de un punto central común. En definitiva, hacemos grupos de observaciones similares, pudiendo asignar a cada observación uno de esos grupos.

Si hacemos este proceso con los datos meteorológicos de los casos que habíamos extractado para cada una de las estaciones que estábamos estudiando en el artículo anterior, a saber: Escuelas Aguirre (tráfico), Casa de Campo (suburbana) y Vallecas (urbana de fondo); podremos generar subconjuntos de escenarios meteorológicos similares a partir de los cuales podemos calcular como se correlaciona el tráfico rodado y la contaminación atmosférica, minimizando así el efecto de las condiciones meteorológicas.

La generación de clúster meteorológicos para los casos de las distintas estaciones requiere que adoptemos un número de centroides mínimo para que el algoritmo defina bien los escenarios meteorológicos existentes, pero sin llegar a generar un sobreajuste. En este sentido, para confirmar el número de conjuntos o centroides (k) que ya nos ofrecía el Análisis de Componentes Principales (ACP) del artículo anterior, utilizaremos el método del codo (elbow method, en inglés). Este método consiste básicamente en correr varias veces el algoritmo k-means para un número determinado y sucesivo de Ki centroides, midiendo como se va reduciendo la varianza acumulada según vamos aumentando el número de clúster, escogiendo el número inmediatamente anterior a aquel en el que la varianza ya no experimenta una reducción significativa tal y como se observa en el siguiente gráfico.

También será necesario, antes de lanzarnos a hacer clúster, que escalemos las variables. Tal y como nos ocurría con el Análisis de Componentes Principales (ACP) del artículo anterior, la clusterización es sensible a las escalas de las variables, así que procederemos a escalarlas para que todas tengan media cero y desviación estándar 1, de forma que no predominen unas variables sobre otras.

Por otro lado, si bien es cierto que los outliers ya los habríamos eliminado en el ejercicio anterior, haciendo uso de la distancia de Mahalanobis, especialmente indicada para distribuciones multivariante, no menos cierto es que la variabilidad de los datos y la falta de continuidad en alguno de ellos precisa de tenerse en cuenta en la clusterización. Por esta razón es conveniente decantarnos por el uso de K-medoids, un algoritmo similar a K-means pero que hace uso de las propias observaciones para fijar la más próxima al centro, siendo de esta forma un algoritmo mucho más robusto. Para la medida de la similitud, por esta misma razón, haremos uso de la distancia de Manhattan en lugar de la Euclídea, también menos sensible a los outliers.

Una vez que hemos generado los clúster los podemos asignar a cada observación y obtendremos una serie de subconjuntos de datos por estación que nos definirán una serie de escenarios meteorológicos de distinta configuración, dentro de los cuales podemos asumir que las condiciones meteorológicas son similares y por lo tanto lo único que cambia es la relación que pueda existir entre aforo de tráfico y calidad del aire, que podremos estimar mediante el correspondiente estudio de su correlación y el cálculo de la función de correlación que mejor se ajuste.

Al estudio de los casos de contaminación y aforo de las estaciones de Escuelas Aguirre y Casa de Campo, sumaremos las partículas finas (PM_2,5) haciendo así caso a un amigo y experto en la materia que me indicaba, y con razón, que tenía más lógica apuntar a las PM_2,5 a la hora de estudiar la potencial asociación entre tráfico y contaminación que a las PM₁₀. Sin embargo, no podemos sumar la estación de Vallecas a esta ampliación, porque esta estación no tiene PM_2,5, aunque seguro que el ejercicio nos permitirá obtener alguna conclusión interesante.

Haciendo uso de la función de correlación que calculemos y que mejor se ajuste a los datos, podremos hacer una simulación y calcular cuánto se reduciría la contaminación atmosférica si, por ejemplo, redujésemos sobre la media de cada uno de los escenarios un 25% o un 50% la circulación de coches en el entorno inmediato de una de ellas. Las reduciones alcanzadas nos permitirán saber si la fuente analizada es la principal fuente emisora o existen otras que pudieran estar contribuyendo de manera significativa.

Para calcular esta correlación se utilizarán en paralelo las correlaciones de Pearson, que es muy adecuada para datos cuantitativos que tienen una distribución normal, y de Spearman, más adecuada cuando la distribución no es normal.

Estas correlaciones presentarán una mayor asociación conforme sus coeficientes de correlación (R²) se acerquen a la unidad, pudiendo ir desde una asociación pequeña (valores entre 0,1 y 0,2) hasta una asociación moderada (valores entre 0,4 y 0,5). Valores por encima de 0,6 se considerarían ya asociaciones altas para el caso que nos ocupa.

No obstante, con independencia al coeficiente de correlación, que nos marcará el grado o nivel de asociación, lo que definirá la aceptación tanto de la correlación como del propio modelo, será su significancia (p-value), considerando que cualquier valor por encima de 0,001 representa un conjunto de datos estadísticamente no significativo cuya correlación puede asociarse a la simple aleatoriedad.

El cálculo del modelo se realizará, para una regresión polinómica de grado 2 siempre y cuando el predictor del valor cuadrático del polinomio presente un p-value menor de 0,05. En caso contrario se deducirá que este grado no contribuye a mejorar el modelo y se reducirá la ecuación a una ecuación lineal.

Se inicia el cálculo por una regresión polinómica dado que el tráfico rodado no tiene por qué responder siempre a una relación lineal. El comportamiento del tráfico como tal en la vía depende con mucho del grado de saturación de la misma, por lo que puede ocurrir en determinadas ocasiones que, a partir de un determinado punto de ocupación (atasco) la circulación de vehículos sea muy lenta, y con ello se reduzcan las emisiones, aún más sustancialmente en los últimos años debido a las nuevas tecnologías (start/stop, hibridación, etc).

Con los modelos resultantes y el aforo promedio de cada clúster, como decíamos, se calculará la media ponderada de emisión de cada estación a partir de la emisión esperada para el promedio de aforo de cada clúster. Repitiendo este ejercicio para reducciones del 25% y el 50% del tráfico asociado a cada estación podremos conocer cuánto impactaría en la reducción de los niveles detectados en inmisión una reducción constante del tráfico más próximo a la misma.

DISCUSIÓN DE RESULTADOS.

La clusterización de las tres estaciones con las que ya contábamos arroja los siguientes subconjuntos de observaciones, con un número adecuado de casos por subconjunto, lo que nos permitirá evaluar posteriormente la correlación entre aforo y calidad del aire:

Aunque es evidente, conviene mencionar que el proceso genera clúster aleatorios, y que no tiene por qué existir correspondencia en el orden obtenido entre los clúster de la estación de Escuelas Aguirre con los de Casa de Campo, siendo su orden de generación completamente circunstancial y asociado al orden de los casos.

No obstante, estudiando la distribución de datos de cada uno de los clúster para los principales parámetros meteorológicos (cajas de Tukey) frente a la media y percentiles 25 y 75 del conjunto de casos, podremos observar a qué escenario meteorológico pertenece cada clúster, tal y como se muestra en el siguiente gráfico para Escuela Aguirre.

Así, para las tres estaciones podremos observar cómo el algoritmo genera dos clúster de invierno (tª y radiación solar bajas) y otros dos de verano (tª y radiación solar altas), quedando el quinto clúster para las condiciones intermedias. La diferenciación entre los clúster de invierno y verano viene dada esencialmente por la humedad relativa y el viento, siendo este último parámetro el más relevante para la segregación de los clúster atendiendo a la distribución de datos observada.

De esta forma, y atendiendo a las consideraciones vistas para la clasificación de los distintos clúster, las agrupaciones de cada estación podrían quedar clasificadas conforme se establece en la siguiente tabla:

Tras conocer y definir cada uno de los clúster, agrupamos los datos en pares Contaminante Vs Aforo, de forma que podamos establecer si existe correlación entre el aforo y los contaminantes seleccionados para cada estación (NO₂, PM₁₀ y PM_2,5), tal y como se exponía en la metodología previa.

Los resultados para Escuelas Aguirre se muestran en la siguiente gráfica, donde se puede observar cómo:

• En los clúster de invierno (clúster 1 y 3) los términos independientes de las pendientes calculadas son los más elevados, siendo sustancialmente más elevado en el clúster de invierno sin viento, con 26,1 µg/m³ de NO₂ de partida frente a una media del clúster de 55 µg/m³, lo que es un indicativo claro de procesos de acumulación y falta de capacidad de asimilación del entorno de los impactos generados por el tráfico.

• En los clúster de verano (clúster 4 y 5) los términos independientes llegan a ser incluso ligeramente negativos, indicativos de la capacidad de la atmósfera de asimilar el impacto del tráfico generado durante el día gracias a las condiciones atmosféricas altamente reactivas, que no obstante, terminarán generando ozono (O₃) como contaminante secundario a partir de este contaminante primario.

• La mayor asociación con tráfico se da en los días de meteorología intermedia, que es en los que paralelamente la significancia es también mayor, indicativo de que las condiciones meteorológicas extremas son un factor fundamental a la hora de acumular o “consumir” los niveles de NO₂ emitidos por el tráfico.

• En los clúster 4 y 5 el número de eventos extraordinarios de alto volumen de aforo hace que sea más adecuado el uso de funciones polinómicas de grado 2 que recojan este fenómeno, tal y como se observa en las representaciones gráficas. Estos fenómenos de alto aforo no llegan a ser tan representativos en el resto de clúster.

Para los contaminantes de partículas PM₁₀ y PM_2,5 la correlación con el aforo de tráfico en la práctica no presenta asociación, con valores de R² muy bajos y una significancia también muy baja.

Tan sólo en el caso del Clúster 2, el que mayor nivel de asociación y significancia presentaba para el tráfico, parece observarse cierta correlación con las partículas, siendo esta más relevante para PM₁₀ que para PM_2,5, lo que podría significar que si bien el tráfico es una fuente de emisión de partículas, la existencia de otras fuentes y factores de influencia no lo hacen tan relevante, pudiendo ser incluso más relevante el efecto de resuspensión que tiene el tráfico rodado que el de la propia emisión de partículas, dada la mayor correlación de PM₁₀ Vs PM_2,5.

En el caso de los clúster calculados para la estación de Casa de Campo observamos un comportamiento similar al experimentado para Escuelas Aguirre, aunque con correlaciones mucho menos significativas y con un menor nivel asociativo, pese a estar cerca de vías de tráfico que presentan un tráfico rodado muy superior al de otras estaciones.

Esto se podría deber al entorno macroescalar inmediato en el que se encuentra la estación y a su distancia a dichas vías de tráfico, que como se puede observar en el siguiente gráfico, ronda los 1,2 km, estando dentro de una zona natural a unos 50 metros por encima de dichas vías de tráfico.

Pese a esta ubicación la asociación encontrada para NO₂ es significativa para todos los clúster excepto para el último de ellos (Clúster 5) que no superaría los criterios originalmente establecidos para el ejercicio, aun cuando quedaría justo en el límite de aceptación.

Los resultados obtenidos para la estación de Casa de Campo vuelven en todo caso a mostrar resultados similares a Escuelas Aguirre, pudiendo observarse que:

• El término independiente es mucho mayor en los días de invierno sin viento (Clúster 1) siendo el resto de clúster muy inferiores a este, con términos independientes homogéneos, lo que marcaría la especial relevancia que tienen, para el global de la ciudad de Madrid, incluso en zonas suburbanas, los fenómenos de inversión térmica y acumulación de contaminantes en determinadas épocas de invierno.

• Además, al fenómeno anterior se debe añadir la mayor correlación que se vuelve a observar para los días de meteorología intermedia, poniendo de manifiesto la influencia de la meteorología sobre la capacidad de asimilación y/o dispersión de este contaminante primario, tal y como se observaba también en la anterior.

No se observan en esta estación de control sin embargo eventos extraordinarios de alto tráfico que afecten a la correlación en ninguno de los clúster, pudiendo ser este un fenómeno asociado a la tipología de estación y su ubicación física.

Por último destacar que, con una menor correlación del NO₂, los resultados para partículas PM₁₀ y PM_2,5 dejan de presentar ninguna significancia para Casa de Campo, razón por la que no se recogen ya en el presente estudio, quedando solo la correlación para NO₂ que se ha analizado y que se muestra a continuación:

En el caso último de la estación de Vallecas, podemos observar resultados similares a las dos anteriores, si bien en este caso en concreto las gráficas de correlación que se muestran parecen presentar puntos con una tendencia paralela algo superior, en su base y pendiente, a la finalmente capturada para la estación, tal y como se muestra en las siguientes gráficas para el NO₂.

Si bien estos puntos no afectan a la correlación de la estación ya que presentan una distribución similar, sí que podrían estar mostrando la potencial influencia de otras vías de tráfico cercanas que no se estarían considerando en el cálculo de la correlación. Tengamos en cuenta que, precisamente, esta estación tiene como limitación metodológica el hecho de que, para el aforo de tráfico próximo, solo se contaba con el aforo de la Avenida de la Albufera, quedando incluso más próxima la Avenida de Buenos Aires, y teniendo también en las proximidades un tramo de la M40.

Pese a ello, los resultados obtenidos para la estación de Vallecas vuelven a mostrar resultados similares a las dos anteriores, pudiendo observarse un término independiente superior en el clúster de invierno sin viento, indicativo de las inversiones térmicas, y una mayor asociación y significancia en la correlación del clúster de meteorología intermedia.

La correlación encontrada en la estación de Vallecas, si bien no llega a ser del nivel de significancia y asociación de Escuelas Aguirre, al ser una estación de fondo urbano, sí que se muestra como representativa para todos los clúster, manifestando la relación directa entre tráfico y calidad del aire que se da en todas las estaciones vistas de Madrid. Esta significancia, no obstante, no se muestra para los valores de PM₁₀ y PM_2,5, en ninguno de sus clúster, por lo que no se recogen las tablas resultantes en este estudio.

Los resultados vistos en las tres estaciones demuestran que existe una asociación robusta entre el tráfico rodado y la calidad del aire de Madrid para NO₂. Asociación que además es posible modelizar mediante ecuaciones lineales, que se pueden ajustar, de forma puntual y en determinados casos, a ecuaciones de segundo grado para recoger fenómenos de alto aforo de tráfico.

Si adoptamos estos modelos que hemos calculado podremos además estimar cuánta contaminación produciría el tráfico promedio en una zona concreta y, lo que es más importante, qué reducción podríamos llegar a obtener si reducimos dicho aforo al adoptar medidas de reducción de tráfico (zonas de bajas emisiones, reducción de carriles, pacificación, cortes, etc).

Eso es precisamente lo que hacemos en la siguiente tabla, para cada clúster, calculando el aforo medio de cada clúster y ponderándolo por el número de casos recogidos, calculando la emisión teórica media diaria que obtendríamos y las reducciones que conseguiríamos si redujésemos el aforo de tráfico entre un 25% y un 50% en cada estación.

La tabla de reducciones de emisiones que se obtiene es clara al respecto. Las mayores reducciones se obtienen, como es lógico, en la estación con mayor afección por tráfico estudiada, Escuelas Aguirre, seguida por la Estación de Fondo Urbano de Vallecas, quedando en último lugar la Estación de Casa de Campo, estación suburbana que como hemos visto se presenta alejada y apantallada de las emisiones de tráfico, pese a lo cual también experimenta asociación con las mismas.

Los cálculos muestran que una reducción del 25% del tráfico rodado podría conseguir reducciones de entre el 17% y el 21% de los niveles en inmisión de NO₂ registrados, según los datos vistos para Escuelas Aguirre y Vallecas, que representarían las zonas urbanas de interés para el estudio. Esto supondría reducciones de entre 5,3 µg/m³ y 7,6 µg/m³ para las estaciones vistas. En Casa de Campo, pese a ser Suburbana, las reducciones alcanzarían el 12% llegando a los 2,1 µg/m³.

Si redujésemos el tráfico rodado un 50%, podríamos llegar a conseguir una reducción de los niveles de NO₂ registrados en zona urbana de entre el 36% y el 42%, lo que supondría reducir las emisiones entre 10,6 µg/m³ y 15,8 µg/m³. Estas reducciones se registrarían igualmente en estaciones suburbanas alejadas como Casa de Campo, que podría llegar a reducciones del 25% de NO₂ que supondrían hasta 4,1 µg/m³.

Es posible observar como las reducciones alcanzadas se encuentran siempre por debajo del porcentaje de reducción del tráfico, especialmente en las estaciones de tráfico como Escuelas Aguirre (que es la que presente las reducciones del 17% y 36%). Esto puede ser debido a que dicha reducción de tráfico se produce en el entorno inmediato de la estación, no considerándose las contribuciones de NO₂ que se generan en zonas próximas, fuera del rango de influencia estudiado, en lo que podríamos llamar tráfico de fondo de la ciudad, a lo que habría que sumar además las emisiones de otras fuentes menores de emisión (e.g. calefacciones).

Esto nos lleva a la importancia de considerar en el diseño de zonas de bajas emisiones o en actuaciones de reducción del tráfico o pacificación de vías, el potencial efecto que podrían tener estas actuaciones sobre los niveles de emisión registrados en el entorno no tan próximo. Los datos, de hecho, ponen de manifiesto lo importante que es diseñar bien las actuaciones para evitar traslados de tráfico a otras zonas y garantizar la máxima eficiencia en las reducciones programadas.

Estos diferenciales en el porcentaje también ponen de manifiesto las importantes sinergias que pueden existir al coordinar actuaciones de reducción de tráfico en distintas áreas, permitiendo alcanzar mayores reducciones de las inicialmente previstas de forma individual, poniendo de manifiesto la importancia de una gestión integral e integrada del tráfico urbano en la ciudad.

Por último, y quizás lo más relevante bajo mi punto de vista, es considerar el factor SALUD. Si bien a algunos les podrían resultar escasas las reducciones alcanzadas en las concentraciones de NO₂, más aún cuando no podríamos confirmar las mismas reducciones para otros parámetros como PM₁₀ o PM_2,5, se debe destacar estudios realizados por los mayores expertos en el tema @Ensgismau ponen de manifiesto que estas reducciones repercutirían sustancialmente en aspectos como la reducción en el número de ingresos hospitalarios.

De hecho, y atendiendo a las reducciones previstas, reducir el aforo de tráfico en Madrid un 25% podría llevar, según las estimaciones realizadas, a una reducción de los ingresos hospitalarios de entre 1.480 y 2.123 ingresos hospitalarios menos al año. Si la reducción fuese de un 50% de este tráfico, las cifras de reducción de ingresos podrían llegar a reducciones de 2.961 y 4.413 ingresos al año. Todo ello sin considerar el efecto sinérgico que comentábamos de reducir el aforo en todo Madrid, que potenciaría los beneficios, y sin contemplar la reducción en otros impactos sobre la salud como el ruido, no controlado en este artículo, pero que a tenor de lo expuesto en el estudio referenciado, supondría otro 1,6% del total de ingresos.

Y si alguien no es capaz de ver en estas cifras a personas que dejan de enfermarse gravemente por la contaminación generada por el tráfico, quizás sea capaz de ver el coste económico que estos ingresos suponen a la Sanidad Pública, pudiendo ahorrarse entre 2,5 millones y 3,6 millones de Euros, sólo con reducir un 25% el tráfico rodado en la ciudad de Madrid.

CONCLUSIONES OBTENIDAS.

Atendiendo a lo visto hasta el momento podemos alcanzar las siguientes conclusiones relevantes del estudio:

• El tráfico en Madrid es la principal fuente emisora que contribuye a los niveles de NO₂ registrados en la ciudad, presentando una asociación robusta en prácticamente todas las estaciones y clúster obtenidos. No así las partículas, que podrían estar asociadas a otras fuentes, además del tráfico, desvirtuando así su grado de correlación con esta fuente de emisión.

• La relación entre aforo de tráfico y niveles de NO₂ en inmisión registrados, tanto en significancia como en grado de asociación, va en relación directa con la proximidad de la estación a la fuente, siendo mucho más intensa en estaciones de tráfico como Escuelas Aguirre que en suburbanas como Casa de Campo, cuya lejanía de las fuentes de tráfico, pese a que estas son muy relevantes, llega incluso a hacer que se deba descartar algún clúster.

• Las mayores correlaciones con tráfico se dan para los periodos de meteorología dentro del promedio, siendo más alta la asociación en estos clúster, lo que confirmaría que los fenómenos meteorológicos afectan a las concentraciones de NO₂ desvirtuando la relación entre tráfico y niveles en inmisión, siendo el factor meteorológico un aspecto determinante en la aparición de mayores o menores contribuciones de este contaminante.

• Las mayores concentraciones de NO₂ asociadas al tráfico se dan en los días de invierno con poco viento, días estables en los que la atmósfera es menos reactiva y se pueden generar inversiones térmicas y acumulación de contaminantes. En estos días la asociación con tráfico es menor que en días de meteorología promedio, y las reducciones conseguidas también son menos significativas, aunque no por ello despreciables. Todo ello es indicativo de la importancia de emprender acciones preventivas que consigan una reducción del tráfico con carácter previo a que se sucedan dichas situaciones de acumulación (inversión térmica, intrusión sahariana, etc).

• De forma general, se puede asumir que reduciendo el tráfico en un 25% en las proximidades de una estación, podríamos llegar a reducir la contaminación hasta un 21%, lo que equivale en la práctica a rebajar en -7,6 µg/m³ los niveles medios diarios registrados. Si fuésemos más allá y redujésemos el tráfico un 50% en esa misma área, podríamos llegar a reducciones de la contaminación hasta un 42%, que podrían alcanzar prácticamente los -15,8 µg/m³ de media diaria.

• Visto lo anterior, las reducciones de tráfico en el entorno de una estación de control, para las vías de tráfico más próximas y de contribución directa, suponen por tanto importantes reducciones en los niveles registrados de contaminación en dicha estación, un fenómeno que quedará más o menos potenciado por la evolución del tráfico en zonas aledañas que son las que aportarían el resto de la contaminación, así como por la contribución de otras fuentes menores.

• La reducción del tráfico en Madrid en estos órdenes de magnitud, extrapolando las reducciones vistas para cada estación al ámbito global de la ciudad, conllevaría poder reducir los ingresos hospitalarios por urgencias hasta un total de 2.123 o 4.413 personas al año en función de si la reducción es de un 25% o un 50%, y eso sin tener en cuenta factores adicionales como el ruido.

De nuevo mis agradecimientos a Joaquín Amat por sus increíbles recursos en materia de Data Minning y Ciencia de Datos, inspiradores de este tipo de artículos, así como al trabajo de mis adorados @Ensgismau que con sus investigaciones arrojan luz sobre los impactos en salud de la contaminación y el cambio climático.