En este estudio, se analizan las concentraciones de contaminantes atmosféricos y las variaciones de las variables meteorológicas a escala diaria. Los datos fueron obtenidos de la base de datos de la estación ciudadela, gestionada por el IDEAM (2023) para el período comprendido entre enero de 2018 y agosto de 2023. Este conjunto de datos se compone de 3,354 mediciones, las cuales comprenden una variedad de variables ambientales y climáticas de interés crítico en el ámbito de la calidad del aire y la meteorología. (http://sisaire.ideam.gov.co/ideam-sisaire-web/consultas.xhtml consulta realizada en septiembre de 2023).

Las variables contempladas en esta base de datos son las siguientes:

PM10: Concentración de partículas en suspensión de tamaño menor o igual a 10 micrómetros, un indicador clave de la contaminación atmosférica y sus posibles impactos en la salud humana y el entorno ambiental.

Durante el proceso de conversión de los datos proporcionados por las fuentes oficiales, se implementaron procedimientos de control y garantía de calidad para asegurar su exactitud y confiabilidad. No obstante, es importante señalar que modificaciones en la instrumentación y en los protocolos de recolección podrían haber generado ciertas discontinuidades en los datos antes y después del año 2017.

El análisis se realizó utilizando el software LISREL 8.80 (Student Edition), este programa es una herramienta ampliamente utilizada en modelado de ecuaciones estructurales (SEM), que permite evaluar la relación entre variables observadas y latentes mediante técnicas de estimación basadas en matrices de covarianza (Jöreskog y Sörbom, 1993; Kline, 2016).

Los resultados obtenidos indican un ajuste adecuado del modelo a los datos observados, lo que se refleja en diversos indicadores de bondad de ajuste, tales como el índice de ajuste de norma (NFI), el índice de ajuste comparativo (CFI) y el índice de ajuste incremental (IFI), entre otros. Estos índices permiten evaluar la calidad del modelo y su capacidad para representar los datos empíricos de manera fiable.

Se utilizó el procedimiento de análisis factorial exploratorio para revelar el grado de asociación entre los factores del cambio climático y los factores de la calidad del aire. El análisis factorial es una técnica estadística que busca identificar estructuras subyacentes en un conjunto de variables, reduciendo su dimensionalidad al encontrar combinaciones lineales que expliquen la mayor cantidad de varianza posible (Jöreskog y Sörbom, 1993). En este caso, se analizaron dos conjuntos de datos: variables meteorológicas (X) y variables de calidad del aire (Y). A través de esta técnica, se identificaron relaciones entre estos dos conjuntos de datos sin que las diferencias en sus unidades de medida afectaran los resultados (Hair et al., 2010; Kline, 2016). Para el descriptivo se siguió la metodología descrita por Wilks (2011), quien enfatiza la importancia de las estadísticas descriptivas en la interpretación de variables meteorológicas y ambientales, permitiendo identificar patrones y tendencias en los datos.

Para identificar la variabilidad de las mediciones de las diferentes variables ambientales, se presentan a continuación estadísticas descriptivas que permiten identificar patrones, tendencias y posibles valores atípicos en los datos analizados. Las estadísticas descriptivas de la Tabla 1 revelan una amplia variabilidad en las mediciones de las diferentes variables ambientales. Este análisis sigue la metodología descrita por Wilks (2011), quien enfatiza la importancia de las estadísticas descriptivas en la interpretación de variables meteorológicas y ambientales. Estas permiten identificar patrones, variabilidad y posibles valores atípicos en los datos, facilitando la comprensión de los factores climáticos que influyen en la calidad del aire. La concentración de partículas PM10 y PM2.5 muestra una extensa dispersión, reflejada por valores máximos de 131.10 y 11.30 respectivamente, mientras que las medidas mínimas de lluvia (LLU) y velocidad del viento (VEL) presentan una relativa estabilidad con valores de 0.00 y 0.30 respectivamente. La humedad (HUM) y la velocidad del viento (VIEN) exhiben una dispersión moderada con una variabilidad de 13.30 y 58.54 respectivamente. La temperatura (TEM), por su parte, muestra un rango estrecho con una dispersión mínima, con valores que oscilan entre 16.40 y 35.20 (Wilks, 2011).

Tabla 1 Tabla 1 Estadísticas descriptivas de las variables ambientales.

	PM10	PM25	TEM	LLU	HUM	VIEN	VEL	RAD
Min.	3,90	0,80	16,40	0,00	27,00	1,1	0,30	0,00
1st Qu	18,70	9,30	21,80	0,00	58,40	249,5	0,70	0,00
Median	28,05	14,20	23,90	0,00	69,30	300,2	1,20	8,45
Mean	34,50	19,87	24,27	0,08	68,51	280,6	1,52	197,91
3rd Qu	46,00	25,68	26,60	0,00	79,38	323,2	2,30	408,65
Max.	131,10	11,30	35,20	15,7	92,90	359,7	4,40	911,60
Sd	20,14	15,26	3,07	0,64	13,30	58,54	0,96	263,31

En la Figura 1 se presentan los histogramas de las variables ambientales y contaminantes analizadas. Estos gráficos permiten visualizar la distribución de cada variable, facilitando la identificación de sesgos, valores extremos y patrones generales en los datos. Basado en el análisis de las distribuciones de las variables, se observa una diversidad de patrones en las diferentes variables analizadas. Por ejemplo, la humedad exhibe una asimetría hacia la derecha, lo que sugiere una concentración ligeramente mayor de datos en valores más altos. En contraste, la distribución de la lluvia muestra un sesgo hacia la izquierda, caracterizado por la presencia de dos notables barras, siendo la primera notablemente más alta. Esto se justifica dado que la lluvia presenta un mínimo de 0,00 y un máximo de 15,7. Además, los cuartiles de esta variable muestran que el primer cuartil se sitúa en 0,00, el segundo cuartil en 0,00 y el tercer cuartil en 0,00. Esto sugiere que la mayoría de los datos se concentran en valores bajos de lluvia, con una presencia limitada de datos en valores más altos (Wilks, 2011).

Figura 1 Figura 1 Histogramas de las variables ambientales y contaminantes.

Para las partículas PM10 y PM25, se observa un sesgo hacia la izquierda, siendo más prominente la dispersión en el caso de PM10. La radiación solar, en su distribución del histograma, muestra una barra inicial alta que sugiere una concentración significativa de datos en valores iniciales. Los valores de radiación solar oscilan desde un mínimo de 1,1 hasta un máximo de 359,7. Los cuartiles revelan una dispersión de datos en el rango, con el primer cuartil ubicado en 249,5, el segundo cuartil en 300,2 y el tercer cuartil en 323,2. Esto indica que la mayoría de los datos se encuentran en el rango intermedio, con una notable presencia de valores más altos de radiación solar en el tercer cuartil.

La temperatura muestra una distribución que se asemeja a un montículo, sugiriendo una posible distribución normal. La velocidad parece carecer de un sesgo evidente y se presenta con una forma de parábola, con líneas que se extienden desde la curva. Por último, el viento exhibe un sesgo hacia la derecha, con valores iniciales atípicos que podrían indicar la presencia de datos extremos.

La presencia de sesgos en las distribuciones puede afectar la interpretación de los resultados y la selección de métodos de análisis adecuados. Además, la presencia de valores atípicos en algunas de las distribuciones sugiere una posible variabilidad significativa en los datos (Wilks, 2011).

En la siguiente matriz de correlación se presentan los coeficientes de correlación entre las variables de interés, incluyendo PM10, PM2.5 y varios parámetros climáticos clave. Esta visualización proporciona una perspectiva inicial de las posibles asociaciones entre los contaminantes atmosféricos y los factores climáticos relevantes en el área de estudio (Wilks, 2011; Seinfeld & Pandis, 2016).

Figura 2 Figura 2 Matriz de correlación de las variables ambientales

Las correlaciones más destacadas muestran una fuerte asociación positiva entre PM10 y PM2.5 (0,93), lo que indica que ambas variables tienden a aumentar o disminuir juntas. Esta relación es consistente con estudios previos sobre contaminación atmosférica, que han identificado una estrecha conexión entre partículas gruesas y finas debido a fuentes comunes de emisión y procesos atmosféricos compartidos (Seinfeld y Pandis, 2016).

Asimismo, la temperatura presenta una correlación positiva moderada con PM2.5 (0,21), lo que sugiere que temperaturas más altas pueden favorecer la acumulación de partículas en suspensión. Esto podría deberse a la reducción de la dispersión atmosférica en condiciones cálidas o a una mayor actividad fotoquímica que contribuye a la formación de aerosoles secundarios.

Por otro lado, la humedad muestra una correlación negativa moderada con PM2.5 (-0,15), lo que indica que niveles más altos de humedad tienden a reducir la concentración de partículas finas en el aire. Este fenómeno puede explicarse por los procesos de deposición húmeda, donde las partículas son eliminadas de la atmósfera a través de la absorción y formación de gotas de agua (Wilks, 2011).

La radiación solar (RAD) presenta una correlación positiva moderada con PM2.5 (0,58), lo que sugiere una posible relación con la fotoquímica atmosférica y la formación de aerosoles secundarios en presencia de radiación UV (Seinfeld y Pandis, 2016). La RAD influye en la producción de oxidantes atmosféricos, como el ozono, que pueden contribuir a la transformación de gases precursores en partículas finas.

Según la matriz de correlación, la fuerte correlación positiva de 0,93 entre PM10 y PM2.5 refuerza la idea de que ambos contaminantes comparten fuentes comunes de emisión y procesos de transporte en la atmósfera. Dado que PM10 incluye partículas de mayor tamaño y PM2.5 representa fracciones más finas, su relación estrecha sugiere que factores como la actividad industrial, el tráfico vehicular y la resuspensión de polvo pueden estar incidiendo en sus concentraciones simultáneamente.

Además, se identifican asociaciones negativas moderadas entre PM10 y variables climáticas, como la humedad (-0,22) y la radiación solar (-0,01); lo que podría indicar que, en condiciones más húmedas, la deposición de partículas es más eficiente, reduciendo su concentración en el aire. Por otro lado, la débil relación negativa con la RAD sugiere que su impacto en PM10 es menos evidente que en PM2.5.

El análisis de correlaciones refuerza la importancia de las condiciones meteorológicas en la variabilidad de la contaminación atmosférica. La humedad, por ejemplo, desempeña un papel clave en la reducción de partículas en suspensión, mientras que la radiación solar y la temperatura pueden influir en la formación de contaminantes secundarios. Estos hallazgos subrayan la necesidad de considerar factores climáticos en la gestión de la calidad del aire y el diseño de políticas ambientales efectivas.

El gráfico de dispersión (Figura 3) muestra una relación lineal positiva entre las variables PM10 y PM2.5, corroborando así el análisis de correlación previamente efectuado, donde se obtuvo un coeficiente de correlación de 0,93 entre ambas variables. Esta fuerte asociación indica que los niveles de partículas gruesas y finas en el aire tienden a aumentar o disminuir de manera simultánea.

Además, se observa una relación lineal negativa entre la temperatura y la humedad, confirmando la relación inversa entre estos dos factores climáticos, respaldada por el coeficiente de correlación de -0,22 lo que indica que temperaturas altas suelen estar asociadas con menores niveles de humedad relativa en la atmósfera.

Sin embargo, al examinar el resto de las variables, se percibe una alta concentración de puntos sin una tendencia clara, lo que sugiere la ausencia de una asociación lineal entre ellas, en concordancia con los coeficientes de correlación cercanos a cero entre PM10 y las demás variables climáticas, como la velocidad del viento (0,07), la radiación solar (-0,01). Estos valores indican que no existe una relación estadísticamente significativa entre la concentración de partículas en el aire y estos factores meteorológicos.

Figura 3 Figura 3 Matriz de gráficos de dispersión de pares.

El análisis factorial realizado en este estudio identificó la presencia de dos factores significativos que explican conjuntamente el 61,6 % de la variabilidad total de las variables originales (Tabla 2).

Tabla 2

Cargas de factores no rotados y comunalidades

El análisis factorial realizado sugiere la presencia de dos factores significativos que explican conjuntamente el 61.6% de la variabilidad total de las variables originales. El Factor 1, que representa principalmente la humedad, la velocidad del viento y la radiación solar, explica el 37,1 % de la variabilidad total. Se observa una fuerte carga positiva en las variables de humedad y radiación solar, indicando que estas dos variables están altamente correlacionadas y contribuyen significativamente al Factor 1. Además, la velocidad del viento también muestra una carga significativa en el Factor 1, aunque negativa. Esto sugiere que el Factor 1 está relacionado con la presencia de condiciones climáticas específicas que afectan la humedad y la radiación solar, con la velocidad del viento ejerciendo una influencia en la dirección opuesta.

Por otro lado, el Factor 2, que está estrechamente relacionado con las partículas de PM25 y, en menor medida, con la temperatura, explica el 24,5 % de la variabilidad total. La carga positiva significativa en PM25 indica una relación directa entre este contaminante y el Factor 2, lo que sugiere una interacción específica entre el PM25 y la temperatura. Esta asociación puede indicar la presencia de procesos atmosféricos y condiciones climáticas que influyen en la concentración de partículas finas en el aire, lo que a su vez afecta la temperatura. Estos resultados subrayan la importancia de considerar tanto los factores climáticos como los contaminantes en la comprensión de la calidad del aire en el contexto estudiado.

El análisis realizado se basa en un modelo de medida que examina la relación entre una variable latente llamada "climatología" y varias variables observadas, como temperatura, lluvia, humedad, velocidad del viento y radiación solar. El modelo sugiere que la variable latente "climatología" influye en las mediciones de las variables observadas, y se proporcionan coeficientes específicos para cuantificar esta influencia. Estos coeficientes indican la fuerza y la dirección de la relación entre la variable latente y las variables observadas.

En este contexto, la variable "climatología" tiene coeficientes asociados con cada una de las variables observadas. Por ejemplo, la temperatura tiene un coeficiente de 2.84, la lluvia -0.10, la humedad -12.7, la velocidad del viento 15.44 y la radiación solar 210.68. Además, se establecieron relaciones específicas entre pares de variables, como temperatura y viento con un coeficiente de 14.3, lluvia y radiación con un coeficiente de 5.66, lluvia y humedad 9.26, y humedad y viento 2.00 (Figura 4).

Figura 4 Figura 4 Representación gráfica del modelo de medida.

Los resultados proporcionados, como la matriz de covarianza y los valores R², indican la calidad del ajuste del modelo a los datos observados. Estos indicadores muestran cómo el modelo propuesto representa la relación entre la variable latente y las variables observadas. Además, las estadísticas de bondad de ajuste proporcionan una evaluación de qué tan bien se ajusta el modelo a los datos y si existen modificaciones recomendadas para mejorar el ajuste.

Los resultados de la implementación del modelo de medida y el análisis factorial evidencian un panorama significativo sobre la interacción entre las variables climáticas y la calidad del aire en el entorno urbano estudiado. El modelo de medida revela relaciones sustanciales y distintivas entre la variable latente "Climatología" y las variables observadas, lo que permite cuantificar el impacto ambiental. La temperatura exhibe una relación positiva con un coeficiente de 2,84 (p < 0,05), lo que indica que un incremento en la variable latente "Climatología" está asociado con un aumento de 2,84 unidades en la temperatura. En contraste, la humedad revela una relación negativa con un coeficiente de -12,70 (p < 0,05), sugiriendo que un aumento en la variable latente "Climatología" se asocia con una disminución de 12,70 unidades en la humedad. además, la velocidad del viento muestra una relación positiva con un coeficiente de 15,44 (p < 0,05), indicando que un incremento en la variable latente "Climatología" se relaciona con un aumento de 15,44 unidades en la velocidad del viento. Destacando la influencia más pronunciada, la radiación solar exhibe un coeficiente de 210,68 (p < 0,05), lo que sugiere que un incremento en la variable latente "Climatología" está asociado con un aumento sustancial de 210,68 unidades en la radiación solar.

Por otro lado, el análisis factorial revela patrones interesantes de asociación entre las variables y los factores extraídos. Se observa que las variables PM10, temperatura, humedad, velocidad del viento y radiación solar están estrechamente relacionadas con el Factor1, mientras que PM2.5 y lluvia presentan una asociación más fuerte con el Factor2. El Factor1 explica el 37.9 % de la varianza total, lo que indica su influencia significativa en la variabilidad de los datos, mientras que el Factor2 explica el 22,0 % de la varianza total. Estos resultados subrayan la complejidad de las interacciones climáticas y su impacto en la formación de contaminantes atmosféricos, lo que sugiere la necesidad de estrategias integrales para abordar los desafíos ambientales en el entorno urbano específico bajo estudio.

La relación entre el análisis de medida y el análisis factorial es crucial para comprender la interacción compleja entre las variables climáticas y los contaminantes atmosféricos. la asociación significativa de la variable latente "Climatología" con las variables observadas en el modelo de medida, como la temperatura, la humedad, la velocidad del viento y la radiación solar, sugiere que estos factores desempeñan un papel fundamental en la determinación de la calidad del aire, lo cual es complementado por el análisis factorial, que revela la agrupación de variables específicas con factores extraídos, resaltando la influencia diferencial de la temperatura, la humedad y la radiación solar en la formación de los contaminantes atmosféricos.

Al considerar la relación entre los hallazgos del modelo de medida y el análisis factorial, se hace evidente la necesidad de tener en cuenta no solo la influencia directa de las variables climáticas, sino también la interacción compleja entre estas variables y su impacto en la concentración y distribución de los contaminantes atmosféricos.

Basado en los estadísticos de bondad de ajuste y criterios de referencia exhibidos del modelo de medida (Tabla 3), se revela que el modelo propuesto exhibe un ajuste sólido y confiable a los datos observados. Los resultados indican un valor de chi cuadrado bajo (0,09), lo que sugiere una mínima discrepancia entre los datos observados y los datos estimados. Además, el RMR (1,35), el SRMR (0,056), y el RMSEA (0,041) muestran un ajuste preciso y una concordancia razonable entre el modelo y los datos observados. El índice GFI de 1,00 y AGFI de 0,99 sugieren una excelente consistencia entre los datos observados y los valores predichos por el modelo.

Tabla 3 Tabla 3 Estadísticos de bondad de ajuste y criterios de referencia para el modelo.

Estadístico
Ajuste absoluto Chi cuadrado RMR (Root Mean Square Residual) Standardized Root Mean Square Residual (SRMR) Root Mean Square Error Of Aproximation (RMSEA) General Fit Index (GFI) Adjusted General Fit Index (AGFI)	0,09 1,35 0,056 0,041 1,00 0,99
Ajuste comparativo Normed Fit Index (NFI) Non-Normed Fit Index (NNFI) Incremental Fit Index (IFI) Comparative Fit Index (CFI) Relative Fit Index (RFI) Expected Cross Validation Index (ECVI)	1,00 1,00 1,00 1,00 1,00 0,0086
Índice de ajuste parsimonial Parsimonious Normed Fit Index (PNFI) Parsimonious General Fit Index (PGFI) Akaike Information CriterioN (AIC) Consistent Akaike Information Criterion (CAIC)	0,100 0,067 7250,55 7286,14

Los índices de ajuste comparativo, incluyendo el NFI, NNFI, IFI, CFI, y RFI, presentan valores perfectos de 1,00, lo que implica que el modelo se ajusta de manera óptima a los datos observados. Además, el ECVI de 0,0086 indica una baja tasa de error de predicción.

Al considerar el índice de ajuste parsimonioso, los valores del PNFI y del PGFI son relativamente altos (0,100 y 0,067, respectivamente), lo que sugiere que el modelo logra equilibrar la complejidad y la capacidad explicativa de los datos. Los valores del AIC y del CAIC son 7250,55 y 7286,14, respectivamente, lo que indica que el modelo se ajusta bien a los datos observados sin ser demasiado complejo. Estos resultados respaldan la validez y la fiabilidad del modelo de medida y brindan confianza en la interpretación de los resultados obtenidos en este estudio.

El análisis de los datos revela patrones significativos en las mediciones de múltiples indicadores climáticos en relación con la variable latente clima. La temperatura (TEM) muestra una relación positiva con el clima, con un coeficiente de 2,83 y un error de 1,45, indicando un impacto considerable del clima en las variaciones de temperatura. Por otro lado, la lluvia (LLU) exhibe una relación negativa con el clima, con un coeficiente de -0,11 y un error de 0,40, aunque el bajo valor de R² (0,032) señala limitaciones en la explicación de la variabilidad observada (Tabla 4).

Además, la humedad (HUM) revela una relación negativa significativa con el clima, evidenciada por un coeficiente de -12.73 y un error de 15.10. El alto valor de R² (0.91) destaca la capacidad del modelo para explicar la variabilidad observada en la humedad en función del clima. Similarmente, el viento (VIEN) y la radiación (RAD) muestran relaciones positivas con el clima, con coeficientes de 15.40 y 210.50 respectivamente. Sin embargo, los altos errores de 3189.63 y 25028.35 respectivamente sugieren una mayor variabilidad y posibles limitaciones en la fiabilidad de las mediciones. Además de estas relaciones directas, las covarianzas de error entre algunas variables también son significativas. La covarianza de error entre VIEN y TEM es 14,59, entre VIEN y HUM es 32,01, y entre RAD y LLU es 8,54, lo que sugiere una posible relación no lineal o dependencia entre las variables consideradas.

Tabla 4 Tabla 4 Coeficientes y estadísticas de las ecuaciones de medición para variables climáticas.

Measurement Equations
TEM = 2,83*clima (0,042) 68,18	Errorvar = 1,45 (0,066) 21,82
LLU = -0,11*clima (0,011) -10,07	Errorvar = 0,40 (0,0098) 40,86
HUM = -12,73*clima (0,18) -72,71	Errorvar = 15,10 (1,19) 12,67
VIEN = 15,40*clima (1,22) 12,60	Errorvar = 3189,63 (80,96) 39,40
RAD = 210,50*clima (03,83) 55,02	Errorvar = 25028,35 (688,12) 36,37
Error Covariance for VIEN and TEM = 14,59 (2,39) 6,10
Error Covariance for VIEN and HUM = 32,01 (9,70) 3,30
Error Covariance for RAD and LLU = 8,54 (1,83) 4,68