Qualitat de l’aire – Partícules contaminants (PM 2,5) – Barcelona

Fregata Space és una Plataforma d’Observació de la Terra que permet descobrir i monitoritzar la contaminació de l’aire a qualsevol lloc del món. Per fer-ho, utilitzem l’aplicació d’algoritmes propis d’intel·ligència artificial sobre imatges multiespectrals i hiperespectrals provinents de satèl·lits, drons, avions, machine learning i dades d’estacions meteorològiques. Tot plegat, ens proporciona informació de la qualitat de l’aire i la seva contaminació.

A les darreres dècades, la qualitat de l’aire s’ha deteriorat a causa de la multiplicació d’emissions de diòxid de carboni i altres contaminants emesos a l’atmosfera i generats per l’activitat humana. A més, l’Organització Mundial de la Salut (OMS) indica que el 98% de les ciutats amb més de 100.000 habitants, no compleixen l’estàndard de qualitat de l’aire. Per aquest motiu, Fregata Space ha desenvolupat una eina que monitoritza els contaminants de l’aire del material particulat amb una mida de partícula de 2.5 i 10 ( Òxids de Nitrogen-NO2, Monòxid de Carboni -CO i Òxids de Sofre). Els indicadors de qualitat de l’aire es generen a través de les reflectàncies atmosfèriques satelitales proporcionades per diferents missions satelitales. Treballs previs ens han permès relacionar aquesta informació amb patologies mèdiques per determinar la relació entre els contaminants caracteritzats i les malalties respiratòries reportades.

Objectiu

A través de la nostra plataforma, proporcionar dades de valor amb els nostres indicadors de qualitat de l’aire on, a través dels nostres algoritmes i de la informació satelital degudament validada amb les estacions terrestres, facilitin la gestió de polítiques públiques en l’àmbit ambiental i sanitari que permetin generar estratègies i models d’impacte positius sobre la salut pública pels contaminants atmosfèrics emesos per l’activitat antropogènica.

Avantatges

Els avantatges diferenciadors del nostre servei vs les tecnologies tradicionals de mostreig són les següents:

• Temps real. Podem monitoritzar la contaminació de l’aire en temps real durant 24 hores. La nostra Inteligencia Artificial pot calcular un indicador en 20 segons.
• Cobertura. La totalitat de l’àrea que proposi el client pot ser monitoritzada. Actualment amb altres solucions terrestres, no seria possible. Addicionalment, Fregata Space pot detectar i monitoritzar l’origen i l’evolució de la contaminació.
• L’estalvi ve donat per dues vies: La primera, per la reducció del nombre de sensors a instal·lar de forma terrestre, ja que només caldrà tenir mostres en un sensor per calibrar els algoritmes. La segona, mitjançant alertes anticipades, les quals redueixen i/o eviten el cost de la remediació. L’estalvi pot arribar a ser d’un 50%.
• Capacitat de resposta. L’alta freqüència de monitorització combinada amb les alertes anticipades, permeten executar accions ràpides per evitar esdeveniments de contaminació major. Les alertes es reben mitjançant Mail/App/Mòbil.
• Dades integrades. La plataforma permet comparar, seguir i avaluar dades històriques amb les dades actual de forma constant.
• Predicció. Els algoritmes d’aprenentatge automàtic de la plataforma permeten preveure cap on es desplaçarà i/o expandirà la contaminació.
• La vigilància contínua de la possible contaminació permet l’acompliment de la normativa vigent. Requisits i lleis de l’OMI / locals.
• Baixos costos associats. En una sola plataforma es disposa de diferents imatges satel·litals i algoritmes sense cost addicional.

Metodologia

El procés implica el desenvolupament d’algoritmes satel·litals que avaluen la qualitat de l’aire a partir de les reflectàncies atmosfèriques de les zones d’estudi i de dades d’estacions terrestres. Tot en base als models de regressió per tal de definir les bandes del satèl·lit que modelen la concentració de contaminants. Un cop definides, es correlacionen amb informació de les estacions terrestres per validar les aproximacions locals de les àrees d’interès.

Finalment, l’índex de qualitat de l’aire es calcula per contaminants i mitjançant la ponderació dels indicadors disponibles d’acord amb la metodologia de l’organització mundial de la salut (l’OMS).

Models matemàtics

Mitjançant models matemàtics i processos automatitzats en AWS, el model computacional utilitza les dades incorporades de reflectàncies atmosfèriques per calcular la concentració de diferents contaminants del material particulat amb mida de partícula 2.5 i 10( Òxids de Nitrogen-NO2, Monòxid de Carboni -CO i Òxids de Sofre). El model genera la concentració del contaminant en resolucions de 10 metres.

Finalment, es facilita una eina que és capaç de generar concentracions de contaminants de l’aire per a tots els districtes de Barcelona i Tarragona amb resolució espacial de 10 metres, augmentant la informació espacial de les estacions terrestres.

Lliurament d’informació

La informació processada dels indicadors es poden obtenir en quatre formats diferents:

• Imatge

Lliurament:      Automàticament

Format:            Kml

• Vídeo

Lliurament:      Un dia després de la sol·licitud

Format:            Mp4

• Estudi

Lliurament:      S’informarà la data de lliurament, prèvia valoració conjunta

Format:            Pdf

• SaaS

Lliurament:      Es lliurarà automàticament

Format:            Accés web

Referències

El-Nadry, M., Li, W., El-Askary, H., Awad, M. A., & Mostafa, A. R. (2019). Urban health related air quality indicators over the Middle East and North Africa countries using multiple satellites and AERONET data. Remote Sensing, 11(18), 2096. https://doi.org/10.3390/rs11182096

Hashim, B. M., Al-Naseri, S. K., Al-Maliki, A., & Al-Ansari, N. (2021). Impact of COVID-19 lockdown on NO2, O3, PM2. 5 and PM10 concentrations and assessing air quality changes in Baghdad, Iraq. Science of the Total Environment, 754, 141978. https://doi.org/10.1016/j.scitotenv.2020.141978

Li, W., Ali, E., Abou El-Magd, I., Mourad, M. M., & El-Askary, H. (2019). Studying the impact on urban health over the greater delta region in Egypt due to aerosol variability using optical characteristics from satellite observations and ground-based AERONET measurements. Remote Sensing, 11(17), 1998. https://doi.org/10.3390/rs11171998

Monforte, P., & Ragusa, M. A. (2018). Evaluation of the air pollution in a Mediterranean region by the air quality index. Environmental monitoring and assessment, 190(11), 1-10. https://doi.org/10.1007/s10661-018-7006-7

Niu, H., Yu, T., Li, X., Wu, H., Yan, M., Duan, R., & Yang, T. (2021). Exposure response relationship of acute effects of air pollution on respiratory diseases—China, 2013− 2018. China CDC Weekly, 3(45), 943. https://doi.org/10.46234/ccdcw2021.230

Santamaría-del-Ángel, E., González-Silvera, A., Millán-Núñez, R., Callejas-Jiménez, M. E., Cajal-Medrano, R. (2011). Case Study 19. Determining Dynamic Biogeographic Regions using Remote Sensing Data. Handbook of Satellite Remote Sensing Image Interpretation:

Applications for Marine Living Resources Conservation and Management (2011), EU PRESPO and IOCCG, Dartmouth, Canada, 293 p.

Somvanshi, S. S., Vashisht, A., Chandra, U., & Kaushik, G. (2019). Delhi air pollution modeling using remote sensing technique. Handbook of environmental materials management, 1-27. https://doi.org/10.1007/978-3-319-58538-3_174-1

Contacte

Maria Fernanda Gonzalez Gutierrez, CEO & Founder,  mafe.gonzalez@fregataspace.com

Mercurio Ceballos Salazar, COO, mercurio.ceballos@fregataspace.com

Mary Luz Canon Paez, CRO, mary.canon@fregataspace.com