Spatial Analysis of Heavy Metal Pollution in Road - TRADUCCION

Machine Translated by Google
atmósfera
Artículo
Análisis espacial de la contaminación por metales pesados en las carreteras

Sedimentos basados en la intensidad del tráfico de una megaciudad
3
Angélica Vanessa GoyaHeredia 1,2, Carlos Alfonso ZafraMejía 1,3,* y Hugo Alexander RondónQuintana
1
Maestría en Desarrollo Sustentable y Gestión Ambiental, Facultad del Medio Ambiente y Recursos Naturales,
Universidad Distrital Francisco José de Caldas, Carrera 5 Este 15–82, Bogotá E111711, Colombia;
angelica.goya@udc.es
2
Grupo de Ingeniería del Agua y del Medio Ambiente—GEAMA, Centro de Innovación Tecnolóxica en
Edificación e Enxeñaría Civil—CITEEC, Universidade da Coruña, Campus de Elviña s/n,
E15008 A Coruña,
3
España Grupo de Investigación en Ingeniería Ambiental—GIIAUD, Facultad del Medio Ambiente y
Recursos Naturales, Universidad Distrital Francisco José de Caldas, Carrera 5 Este 15–82, Bogotá E111711,
Colombia; harondonq@udistrital.edu.co
* Correspondencia: czafra@udistrital.edu.co; Tel.: +576013239300 (extensión 4040)
Resumen: El crecimiento poblacional ha llevado a la intensificación del tráfico promedio diario (IMD), destacando
a los vehículos como una de las principales fuentes de contaminación por metales pesados (HM) en las ciudades.
El objetivo de este artículo es realizar un análisis espacial de la contaminación de HM asociada a sedimentos
depositados en carreteras (RDS), con base en la TMD observada en las principales vías de una megaciudad
latinoamericana (Bogotá, Colombia). Se consideraron los siguientes índices de riesgo: Índice de Geoacumulación
(Igeo), Índice Integrado de Contaminación (IPI), Índice de Riesgo Ecológico (ERI), Índice de Riesgo Ecológico
Potencial Integral (CERI), Índice de Peligrosidad (HI) e Índice de Riesgo Carcinógeno (CRI). Los hallazgos
confirman que una fracción de tamaño < 250 µm es la más adecuada para estudiar el riesgo de HM en el SDR a
partir de los índices considerados. Los mejores HM indicativos de la relación con el ADT son Ni, Cu y Pb. El Pb es
el HM de mayor atención, y el Cr gana posiciones por su nivel de toxicidad durante la evaluación de riesgos
ecológicos, no cancerígenos y cancerígenos, respectivamente. Finalmente, los modelos de regresión lineal
Cita: GoyaHeredia, AV; ZafraMejía, desarrollados entre ADT y cada uno de los índices de riesgo considerados tienen un mejor ajuste (R2 > 0,910) en
CA; RondónQuintana, HA Análisis espacial de comparación con los modelos de regresión lineal desarrollados entre ADT y concentraciones de HM (R2 > 0,322).
la contaminación por metales pesados en
depósitos de carreteras Palabras clave: metales pesados; megaciudad; sedimentos depositados en las carreteras; intensidad del tráfico; contaminación urbana
Sedimentos basados en el tráfico
Intensidad de una megaciudad. Atmósfera
2023, 14, 1033. https://doi.org/
10.3390/atmos14061033
1. Introducción
Editor académico:
En las zonas urbanas, hubo una asociación directa entre el crecimiento demográfico y el aumento
Alexandra Monteiro
de la superficie de las carreteras y del número de vehículos. Este crecimiento poblacional llevó a la
Recibido: 15 de mayo de 2023 intensificación del tráfico promedio diario (IMD), destacando a los vehículos como una de las mayores
Revisado: 7 de junio de 2023 fuentes de contaminación (agua, aire y suelo) en las ciudades. Esto también fue evidenciado por el informe
Aceptado: 8 de junio de 2023 de una relación significativa entre el ADT y las concentraciones de diversos contaminantes presentes en
Publicado: 15 de junio de 2023 el entorno vial [ 1,2]. Los contaminantes urbanos se emitían y transportaban constantemente dentro de
masas de aire y tendían a acumularse en los sedimentos depositados en las carreteras (RDS) [3]. El RDS
se originó por la acumulación de partículas de fuentes naturales (p. ej., arrastre del suelo) y antropogénicas
(p. ej., tráfico vehicular, industrias y construcción), que generaron una mezcla heterogénea y compleja de
Copyright: © 2023 por los autores.
contaminantes debido a sus diversas fuentes de emisión [4– 6]. Así, los RDS actuaron como sumidero de
Licenciatario MDPI, Basilea, Suiza.
sustancias peligrosas tanto para la salud pública como para el medio ambiente [7]. Estos RDS pudieron
Este artículo es un artículo de acceso abierto.
llegar a los entornos y cuerpos de agua circundantes a través de procesos como la resuspensión inducida
distribuido bajo los términos y
por el viento y el tráfico y el lavado de escorrentía superficial [8,9].
condiciones de los Creative Commons
Los estudios han informado que los RDS urbanos están asociados con altas
Licencia de atribución (CC BY) (https://
concentraciones de metales pesados (HM) en comparación con las observadas en suelos
creativecommons.org/licenses/by/
4.0/).
urbanos y agrícolas [10,11]. Hay estudios que reportan Pb, Cu, Zn, Cd, Cr y Ni como los HM de mayor in
Atmósfera 2023, 14, 1033. https://doi.org/10.3390/atmos14061033 https://www.mdpi.com/journal/atmosphere

Atmósfera 2023, 14, 1033 2 de 21
RDS. Esto se debe a sus efectos nocivos, características de acumulación en el cuerpo humano y efectos
ambientales en los sistemas de agua, el suelo y el aire [1214]. Así, los RDS se han convertido en un
posible indicador de contaminación por HM en entornos urbanos [15].
En el análisis de HM asociados a RDS se consideraron frecuentemente las actividades desarrolladas
en el sitio de estudio a partir del uso del suelo, los medios de transporte involucrados y las características
físicas y químicas de las partículas de sedimento y elementos metálicos de interés [16]. También se
llevaron a cabo estudios urbanos en los que se informó la posible relación entre la concentración de MH
asociada a ADT y RDS (p. ej., [17,18]). Esto fue bajo la hipótesis de que la ADT era posiblemente una de
las principales variables influyentes en la concentración de HM asociada con los RDS urbanos [19].
Históricamente, el primer HM reportado en este contexto fue el Pb para su uso como aditivo en gasolina.
Con el paso de los años, la prohibición del Pb en la gasolina limitó su uso como posible indicador de ADT.
Aunque, debido a su biodisponibilidad, este HM sigue siendo de gran importancia en los estudios sobre el
SDR [20,21]. A medida que se realizan más estudios, se han identificado otros HM (por ejemplo, Cu y Zn)
como posibles indicadores de la relación entre sus concentraciones en el RDS y el ADT [22,23].
Como se visualiza, en el RDS recolectado en vías de alto tráfico, hubo un alto contenido de HM [24].
Probablemente esto se deba a la creciente demanda de nuevos materiales de alto rendimiento para la
industria automotriz, que ha generado una amplia variedad de componentes como acero, fibra de vidrio y
plástico. De hecho, estos materiales son conocidos por su alto contenido de HM [25,26]. En neumáticos y
frenos se utilizan frecuentemente materiales de alto rendimiento, lo que por sus particulares características
de uso y desgaste (fuente de emisión), dificulta entender el comportamiento de las concentraciones de
HM en los RDS urbanos. Varios estudios han buscado relacionar el origen de los HM en el RDS con las
diferentes partes de los vehículos y elementos de las carreteras y caminos (p. ej., tipo de pavimento y
mobiliario vial), donde la operación de estos sistemas juega un papel importante [27,28 ]. Además, se han
realizado estudios sobre la variación espaciotemporal en la concentración de HM en RDS, donde se
identificó que las concentraciones más altas estaban asociadas con las partículas más finas y las
principales fuentes vehiculares fueron las fugas de combustible y aceite lubricante, el desgaste de frenos
y neumáticos, y la combustión. gases [29].
También se ha informado que el tráfico de vehículos puede haber contribuido con más del 50% de la
contaminación en los RDS [30].
En los últimos años, se ha llevado a cabo una importante variedad de estudios en todo el mundo
utilizando índices de evaluación de concentraciones de fondo geoquímico (por ejemplo, Índice de
Geoacumulación—Igeo e Índice de Contaminación Integrada—IPI) (por ejemplo, [31,32]). Estos estudios
han sido fundamentales para adaptar dichos índices al análisis integral de HM en el RDS, a través de
criterios como el nivel de toxicidad, la persistencia en el medio ambiente y la acumulación biológica. Esto
también ha permitido realizar una evaluación de riesgo ecológico y de salud pública por HM asociados al
RDS, con riesgo ecológico e índices de riesgo cancerígeno y no cancerígeno [27,33]. En diferentes
estudios también hubo evaluaciones conjuntas entre índices. Por ejemplo, el índice de riesgo ecológico
(ERI) y el factor de contaminación (FC) se han utilizado para evaluar el riesgo para la comunidad biológica
por la exposición a HM asociados con RDS [34]. Además, los índices utilizados para evaluar el riesgo
para la salud humana (por ejemplo, el índice de peligro (HI) y el índice de riesgo de cáncer (CRI) han
permitido que el estudio de la exposición a los HM asociados con el RDS se realice a través de las
siguientes tres vías: ingestión (HIing), inhalación: HIinh y dérmica: HIder [35,36]. Esto ha permitido estudiar
los riesgos cancerígenos y no cancerígenos clasificando la comunidad por grupos de edad y tiempo de
exposición [37]. También se identificó que la ingestión de partículas de RDS era posiblemente la principal
vía de exposición a HM para ancianos y niños debido a las cantidades ingeridas y su bajo peso corporal
[38,39].
El objetivo de este artículo es mostrar un análisis espacial de la contaminación de HM asociada

a RDS del TDA observada en las principales vías de una megaciudad latinoamericana (Bogotá,
Colombia). Desarrollamos modelos de regresión entre concentraciones de HM y ADT a partir de
información de referencia local e internacional. Los aspectos clave de los índices de riesgo
considerados para el análisis espacial de la contaminación con HM son los siguientes: enriquecimiento
de metales, riesgo ambiental y riesgo para la salud humana. Además, desarrollamos modelos de regresión ent
Atmósfera 2023, 14, 1033 3 de 21
y los índices de riesgo considerados. También realizamos un análisis comparativo entre ADT,
concentraciones de HM y los valores límite establecidos por guías de referencia internacionales.
En el contexto de la contaminación urbana de HM, este estudio es relevante por los siguientes aspectos. (1)
Evaluar la utilidad de la ADT como variable indicadora de la variación espacial de las concentraciones de HM
en el RDS. (2) Mejorar el conocimiento sobre la variación espacial en las concentraciones de HM en los RDS
de megaciudades con altas TMD. (3) Analizar los riesgos ecológicos y para la salud humana existentes
derivados de las concentraciones de HM asociadas con los RDS de una megaciudad de gran altitud de
América Latina. (4) Argumentar que el uso de índices de riesgo para evaluar los niveles de contaminación de
HM es un enfoque útil que puede ayudar a los formuladores de políticas y planificadores urbanos a desarrollar
estrategias efectivas para reducir los niveles de contaminación.
2. Materiales y métodos
2.1. Sitio de Estudio
Este estudio se realizó en la megaciudad de gran altitud de Bogotá, Colombia, América del Sur
(2600 msnm; 4◦3557” N–74◦0451” W; ver Figura 1). La población de la megaciudad era de
aproximadamente 9 millones de habitantes, que aumentó a más de 10 millones de habitantes con la
inclusión de su área metropolitana (5235 km2 ) [40]. La ciudad de Bogotá es el principal centro
económico, industrial, cultural y político de Colombia.
El área urbana de la ciudad es de aproximadamente 478 km2 y tiene una alta densidad de población
(17.700 hab/km2 ) [41]. Bogotá está ubicada cerca del ecuador. Así, el clima de la megaciudad es
tropical de montaña con una importante variación horaria de temperatura (719 ◦C) [42]. En promedio,
las características climáticas anuales de la megaciudad durante el período de estudio fueron las
siguientes: precipitación = 1050 mm, temperatura = 13 ◦C, velocidad del viento = 9,6 km/h y humedad
relativa = 75%. La megaciudad tuvo una alta tasa de motorización durante el período de estudio (313
vehículos/1000 habitantes). El parque vehicular durante el periodo de estudio fue de 2,5 millones de
vehículos, distribuidos de la siguiente manera: turismos = 46%, camionetas = 25%, motocicletas =
22%, camiones pesados = 3%, taxis = 2% y autobuses de transporte público = 2. % [43]. Los
vehículos privados y las motocicletas utilizan principalmente gasolina, los taxis utilizan gas natural y
gasolina, los autobuses utilizan gas natural y diésel y los vehículos pesados utilizan principalmente
diésel [44]. Durante el período de estudio, hubo una restricción a la circulación de vehículos en la
megaciudad como medida para reducir la congestión del tráfico. Esta restricción vehicular impidió
circular alrededor del 40% de los turismos de la megaciudad (entre las 6 y las 9 horas y entre las 15 y las 19 ho
2.2. Cálculo de IMD

Desarrollamos este estudio en las principales vías de la megaciudad latinoamericana de
Bogotá (Colombia). Recopilamos información de IMD a partir de la instalación de 101 estaciones
automáticas de monitoreo de tráfico (vehículos/día) distribuidas por toda la megaciudad (Figura 1).
La Secretaría Distrital de Movilidad de la megaciudad en estudio administró esta información (https://datosabiertossdm
movilidadbogota.hub.arcgis.com/, consultado el 30 de enero de 2019) [46]. Además, instalamos ocho estaciones de
monitoreo ADT en los peajes de acceso a la megaciudad. El Instituto Nacional de Vialidad de Colombia administró esta
información ( https://www.invias.gov.co/index.php/archivoydocumentos/documentostecnicos/ 6609seriehistoricade
transitopromediodiarioactualizadatpd2016publicacion, consultado el 30 de enero de 2019) [47]. También monitoreamos
la ADT en los nueve sitios de estudio establecidos para monitorear las concentraciones de HM. El IMD se refirió al número
promedio diario de vehículos que viajaron en cada una de las 118 vías seleccionadas durante el período de 2010 a 2018.
Recopilamos información del IMD cada hora (de lunes a viernes) y luego la sumamos bajo una escala de tiempo diaria .
Calculamos el IMD diario promedio para cada una de las carreteras seleccionadas durante el período de estudio. Este
importante número de estaciones de monitoreo obtuvo la densidad y cobertura espacial adecuadas al utilizar métodos de
análisis geoestadístico [48]. En este estudio, utilizamos 118 estaciones de monitoreo ADT.
,1033
Atmósfera Atmósfera 2023 2023, 14, 14 , x PARA REVISIÓN POR PARES 4 de 23 4 de 21
Figura
Figura1.
1.Ubicación
Ubicacióndedelas
lasestaciones dede
estaciones monitoreo de ADT
monitoreo y HM
de ADT en laen
y HM megaciudad en estudio.
la megaciudad en estudio.
2.3. Cálculo
Cálculo de Concentraciones de HM 2.2.
de IMD
Se recolectó eleste
Desarrollamos RDSestudio
de nueve víasprincipales
en las para determinar
vías delalaconcentración de HM asociadade
megaciudad latinoamericana (Colombia).
Bogotá.
Recopilamos informacióndedelas
variadas características IMD de(570–13.500
TDA la instalaciónvehículos/día)
del 101 de tráfico
y lasautomático
estaciones(Pb, Zn, Cu y Cd).
de monitoreo Las
(vehículos/día)
distribuidas
la selecciónpor toda lanueve
de estos megaciudad
caminos(Figura 1). El uso
administrados dellasuelo
por (residencial,
Secretaría Distritalindustrial y comercial)
de Movilidad apoyó
de la megaciudad
en estudio
tiempo . Recolectamos muestras de RDS en clima seco al costadoconsultado
(https://datosabiertossdmmovilidadbogota.hub.arcgis.com/, de la acera el (0,50
30 dem) al mismo
enero durante un
período
Además,deinstalamos
un año. En promedio,
ocho la frecuencia
estaciones de muestreo
de monitoreo fue peajes
ADT en los de 10 días. Sin embargo,
de acceso 2019) [46].donde se
a la megaciudad,
presentaron ligeras variaciones
El Instituto Nacional de Caminosdebido a la ocurrencia
de Colombia de esta
administró eventos pluviométricos
recolección que impidieron
de información del RDSel seco.
paso. El
área de muestreo tuvo una superficie de 0,49 m2 (0,70 m × 0,70 m). Nosotros (https://www.invias.gov.co/
index.php/archivoydocumentos/documentostec aseguramos las dimensiones del área de recolección
colocando un marco de madera con nicos idénticos/6609seriehistoricade
promediodiarioactualizadatpd2016publicacion, dimensiones a las del áreatransito
de muestreo en superficie.
Además, controlamos el acceso el 30 de enero de 2019) [47]. También monitoreamos el ADT
nueve sitios de estudio establecidos en el sitio de muestreo para evitar repeticiones y estar en los
cerca de los puntos
de recolección de RDS anteriores. Para lish monitorear las concentraciones de HM. La IMD se refirió al
promedio diario de recolección del RDS, se utilizó un cepillo de fibras plásticas y un recogedor de mano. Se
recolectaron treinta y seis vehículos que viajaron por cada una de las 118 carreteras seleccionadas
durante el período comprendido entre 2010 y 2010 para cada carretera de estudio (muestras totales = 324). Se
estableció el protocolo para el año 2018. Se recopiló información de IMD horaria (lunes a viernes) y
luego se agregó bajo recolección de RDS, tomando como referencia los sistemas de muestreo reportados por
otros en una escala de tiempo diaria. Calculamos el IMD diario promedio para cada una de las carreteras
seleccionadas estudiadas sobre este tema [4951]. durante el periodo de estudio. Este número significativo de
estaciones de monitoreo obtuvo el anuncio. La concentración de HM en RDS se tomó para una fracción
de tamaño < 250 µm. Esto se debe
a que al comparar la densidad y la cobertura espacial al utilizar métodos de análisis geoestadístico, los
estudios han informado que esta fracción de tamaño tendía a mostrar las concentraciones más altas de
HM.
[48]. En este estudio, utilizamos 118 estaciones de monitoreo ADT.
Los investigadores atribuyeron este comportamiento a una mayor superficie específica y, por
tanto, a una mayor capacidad de adsorción de contaminantes [52,53]. Por último, la
concentración de HM asociada a los RDS se determinó mediante un equipo de plasma acoplado
inductivamente (ISO–11047) [54]. Las muestras de RDS se digirieron previamente en una
mezcla de ácido clorhídrico y ácido nítrico (3:1; agua regia, método ISO11466) [55]. Se
analizaron los siguientes HM: Pb, Zn, Cu y Cd.
Atmósfera 2023, 14, 1033 5 de 21
2.4. Análisis de la información

En este estudio, realizamos una revisión de la literatura a nivel mundial restringiendo la búsqueda al
período comprendido entre 1980 y 2018. Esta revisión de la literatura consideró el contenido total de los
documentos incluidos en las siguientes bases de datos científicas: Google Scholar, Springer y ScienceDirect.
Las palabras clave utilizadas en los motores de búsqueda fueron las siguientes: metales pesados,
sedimentos de carreteras e intensidad de tráfico. Realizamos esta revisión de la literatura para generar una
base de datos que correlacionara la concentración de HM en el RDS y el ADT con base en estudios de
referencia a nivel mundial y las concentraciones de HM observadas directamente en nueve carreteras de la
megaciudad de estudio. Las variables consideradas en esta base de datos fueron las siguientes: TMD,
fracción granulométrica y concentración de HM. Los MH considerados en esta revisión de la literatura
fueron los siguientes: Pb, Zn, Cu, Cd, Cr y Ni. La fracción de tamaño RDS se consideró representativa de
la concentración de HM, que era <250 µm [56].
Se aplicó la prueba de normalidad de ShapiroWilk (valor de p <0,050) [57] a las series de datos de
cada variable. Así, se utilizó el coeficiente de correlación de Spearman (rs) para estudiar el grado de
asociación entre las variables consideradas [50]. Para correlaciones significativas, se procedió a desarrollar
modelos de regresión lineal [58] entre ADT y la concentración de HM en el RDS (Pb, Zn, Cu, Cd, Cr y Ni).
También se utilizaron estadísticas descriptivas durante el análisis de la información [59]. Todos los análisis
estadísticos anteriores se ejecutaron utilizando el software gratuito R V.3.5.3 [60]. Posteriormente, con los
modelos de regresión lineal, predijimos las concentraciones de HM en el RDS utilizando el ADT observado
en cada una de las 118 estaciones de monitoreo establecidas a lo largo de la megaciudad. Utilizamos las
concentraciones de HM medidas directamente en las nueve vías de la megaciudad para validar los
pronósticos realizados con los modelos de regresión lineal desarrollados previamente. A partir de las
concentraciones de HM pronosticadas, se determinaron e interpretaron las concentraciones de
contaminación de RDS en la megaciudad del estudio.
En este estudio, utilizamos los siguientes índices de evaluación de riesgos para las concentraciones
de HM en el RDS. (1) Enriquecimiento de metales: índices utilizados para evaluar la influencia de las
actividades antrópicas en la concentración de HM en el RDS a partir de concentraciones de fondo geoquímico [15].
Así, se utilizó el Índice de Geoacumulación—Igeo y el Índice Integrado de Contaminación—IPI
[49] . (2) Riesgo ambiental: Índices que permitieron asociar los efectos ecológicos y ambientales
con la toxicidad de los HM en base a concentraciones guía para la calidad del suelo. Luego se
utilizaron el Índice de Riesgo Ecológico (ERI) y el Índice de Riesgo Ecológico Potencial Integral
(CERI) [61]. (3) Riesgo para la salud humana: Índices que permitieron realizar un análisis de los
riesgos para la salud humana a través de las tres principales vías de exposición (ingestión,
contacto dérmico e inhalación) y por grupo de edad (niños y ancianos) . Se utilizaron el Índice de
PeligroHI (no cancerígeno), para cada metal y para el conjunto de HM, y el Índice de Riesgo
CarcinogénicoCRI [59] . En la Tabla 1 se muestran todas las ecuaciones de cálculo y categorías
de valoración de los índices considerados.
Además, aplicamos el método de interpolación ponderada por distancia inversa (IDW) utilizando
ArcGIS V.10.2. Software [62] para analizar la variación espacial de las concentraciones de HM (Pb, Cu, Cr
y Ni) y los índices de riesgo considerados. La elección del método IDW se hizo porque tendía a mantener
espacialmente máximos locales (sin suavizar) en comparación con otros métodos (por ejemplo, Kriging)
[63]. Esto permitió tanto identificar las áreas más críticas (lugares de muestreo) en el contexto de este
estudio como estimar los valores espaciales con respecto a la ponderación de las carreteras de muestreo
en función de su proximidad [64].
Es decir, estudiamos la variación espacial en las concentraciones e índices de HM considerados con base en el aforo de
carreteras del ADT. Por último, la información geográfica del área urbana de la megaciudad se obtuvo del portal de datos
abiertos IDECA (https://www.ideca.gov.co/, consultado el 1 de mayo de 2019) [65].
Atmósfera 2023, 14, 1033 6 de 21
Tabla 1. Índices considerados para evaluar el riesgo por HM presentes en los SDR.
Tipo Índice Ecuación Criterios Valuación Rango
Igeo < 0
Ci = Concentración de referencia de HM [mg/kg] Impoluto
0 < IPI ≤ 1
Bi = Concentración de fondo para cada HM 0 < Igeo < 1

Igeo Igeo = log2 × [Ci/(1,5 × Bi)] No contaminadomoderado
[mg/kg] 1 < IPI ≤ 2
1,5 = Factor de corrección Moderado 1 < Igeo < 2

2 < IPI ≤ 3
Enriquecimiento de metales
2 < Igeo < 3
Moderadoalto
Cfi = Ci/Bi Concentración del HM de referencia 3 < IPI ≤ 4
para normalización [mg/kg]
3 < Igeo < 4
IPI = [(Cf1) × (Cf2) × (Cf3) Alto
IPI 4 < IPI ≤ 5
× . . . (Cfn)]1∕n
4 < Igeo < 5
n = Número de HM considerados Alto–Extremadamente alto IPI > 5
Extremadamente alto Igeo > 5

IRE < 40
Bajo
ERI < 150
CERI = Potencial Integral Ecológico Moderado 40 ≤ IRE < 80

ERI 150 ≤ ERI < 300
Riesgo ambiental CERI = ∑Eri Índice de Riesgo. Eri = Riesgo ecológico potencial
factor para cada HM.
Considerable 80 ≤ IRE < 160
Tri = Factor tóxico de HM (Zn = 1, Cr = 2, Pb = 300 ≤ ERI < 600
Cu = 5, Cd = 30)
IRE ≥ 160
AltoMuy alto ERI ≥ 600
HI = HQing + HQinh + Sede ≤ 1

HOLA
HQ = Cociente de riesgo sobre la salud humana. ADDi = Riesgo no significativo Hola ≤ 1
HQder
Dosis diaria promedio por vía de exposición
HQing = (AÑADIR)∕RfDing [mg/(kg × día)]. RfDi = Dosis de referencia por
Riesgo para la salud humana Sede > 1
sede HQinh = (ADDinh)∕RfDinh HM y vía de exposición [mg/(kg × Riesgo significativo Hola > 1
HQder = (AÑADIR)∕RfDder día)]
IRC IRC = LADD × SF LADD = Dosis diaria promedio de por vida [mg/(kg IRC < 1 × 104
Riesgo no significativo
× día)]. SF = Factor de gradiente de toxicidad de emisión
Nota. Igeo = Índice de Geoacumulación, IPI = Índice Integrado de Contaminación, ERI = Índice de Riesgo Ecológico, HI = Peligro
Índice (no cancerígeno), HQ = cociente de riesgo no cancerígeno por vía de exposición, CRI = Riesgo cancerígeno
Índice, HQing = ingestión, HQinh = inhalación y HQder = contacto dérmico.
3. Resultados y discusión
3.1. Análisis comparativo mundial

Los resultados de la revisión de la literatura mundial mostraron el siguiente orden de importancia
según la concentración de HM asociada a los RDS: Zn > Pb > Cu > Cr > Ni > Cd
(Tabla 2). Los HM analizados en la megaciudad de estudio mostraron el siguiente orden de importancia
a partir de las concentraciones detectadas: Zn > Cu > Pb > Cd. Así, observamos que tanto a nivel mundial
y a nivel local, los tres HM con mayor concentración en RDS estaban en el siguiente orden
de importancia: Zn, Pb y Cu. También evidenciamos que las concentraciones promedio de HM en el
megaciudades bajo estudio estaban dentro del rango mundial. Además, los hallazgos confirmaron una
fracción de tamaño < 250 µm como la más representativa a nivel mundial para estudiar la concentración de HM en
RDS (ver mediana en la Tabla 2).
En este estudio, realizamos un análisis de correlación de Spearman de la información
mundial que se muestra en la Tabla 2 (Figura 2). Esto es representativo de la fracción de tamaño del HM.
concentración en RDS (<250 µm). Los resultados mostraron una correlación positiva significativa
de media a fuerte entre la fracción de tamaño < 250 µm y las concentraciones de Cr
(rs = 0,681) y Ni (rs = 0,763). Además, observamos correlaciones positivas significativas.
de débil a media entre las siguientes concentraciones de HM: Zn–Cr (rs = 0,389)
y CdNi (rs = 0,417). En orden de importancia, correlaciones positivas significativas de
medio a fuerte se evidenciaron entre los siguientes HM: Cu–Ni (rs = 0,817), CrNi
(rs = 0,810), PbZn (rs = 0,790), PbCd (rs = 0,737), ZnCu (rs = 0,723), PbNi (rs = 0,702),
ZnCd (rs = 0,701), PbCu (rs = 0,644), ZnNi (rs = 0,605), CuCd (rs = 0,581) y CuCr
(rs = 0,573). Los resultados sugirieron que para el último grupo de HM (Cu, Ni, Pb, Zn, Cd y
Cr), la fuente de contaminación probablemente fue la misma. De hecho, en el entorno vial, la
La principal fuente reportada fue el tráfico de vehículos [66]. Otros estudios (p. ej., [5,67]) informaron que la
Las principales fuentes de Zn, Pb y Cd en el entorno vial se asociaron con el desgaste del motor.
repuestos, pintura de demarcación vial, pavimento y equipamiento vial.
Atmósfera 2023, 14, 1033 7 de 21
Tabla 2. Resultados mundiales y locales para la concentración de HM en RDS según TDA.
Fracción TDA Concentración (mg/kg)

(μm) (veh./día) Pb zinc Cu Cd cr Ni
América (12,8%)
Mediana <1000 52.787 93,5 317.3 163 0,10 81,25 40.0
Promedio <1200 61.513 108 320 143 0.00 95.0 45.0
Máximo <2000 130.000 200 414 236 0,50 203 58,7
Mínimo <63 10.000 31.3 183,7 44,7 0.00 12.9 35.0
Asia (30,8%)
Mediana <250 19.851 134 316 170 2.00 127 49,9
Promedio <922 39.301 204 573 215 2.13 183 49,4
Máximo <2000 144.000 589 1585 510 4.00 530 86.0
Mínimo <53 2400 40.0 51.4 24.0 0,30 58.1 20.0
Europa (41,0%)
Mediana <250 15.450 238 310 135 2.00 74.0 27,5
Promedio <580 30.855 413 809 194 5.32 96.1 30,6
Máximo <2000 120.000 2296 4892 771 22.0 232 67,9
Mínimo <10 1800 1,50 80.0 21,5 0,10 13.0 7.50
África (7,70%)
Mediana <250 51.480 251 250 123 0,50 123 38,5
Promedio <1113 44.120 264 242 106 6.20 122 32,7
Máximo <2000 68.520 520 343 151 18.0 123 44.4
Mínimo <200 5000 33,6 125 29.0 0.00 119 9.39
Oceanía (7,70%)
Mediana <250 24.000 290 370 124 19.0
<483 19.266 351 564 127 19.0

Promedio
Máximo <1000 25.000 511 1073 184 19.0
Mínimo <200 8800 251 249 73.0 19.0
Total de documentos considerados a nivel mundial (n = 39, 100%)

Mediana <250 20.000 200 318 151 2.50 123 35.0
Promedio <755 37.157 308 646 1816 4.50 128 40,5
Máximo <2000 144.000 2296 4892 771 22.0 530 86.0
Mínimo <10 1800 1,50 51.4 21,5 0.00 12.9 7.50
Este estudio, Bogotá/Colombia (n = 9)

Mediana <250 7525 71,5 136 81.0 0,90
<250 11.817 92.0 168 108 0,90

Promedio
Máximo <250 40.100 217 334 279 1.10
Mínimo <250 650 48.0 96.0 41.0 0,70
Nota. n = tamaño de la muestra, IMD = tráfico diario promedio y Veh. = vehículos.

Atmósfera 2023, 14, x PARA REVISIÓN POR PARES 8 de 23
Atmósfera 2023, 14, 1033 8 de 21
Figura 2. Coeficientes de correlación de Spearman entre concentraciones de HM (mg/kg) y ADT

Figura 2. Coeficientes de correlación de Spearman entre concentraciones de HM (mg/kg) y ADT
(veh./día). TPD = tráfico promedio diario.
(veh./día). TPD = tráfico promedio diario.
Los resultados de la revisión mundial mostraron resultados positivos entre medios y fuertes.
Los resultados
correlaciones entre ADTde la revisión
y los mundial
siguientes mostraron
HM: ADTNi (rs resultados positivos(rs
= 0,598), ADTCu entre medios y fuertes.
= 0,554),
correlaciones entre ADT y los siguientes HM: ADTNi (rs = 0,598), ADTCu (rs =
y ADTPb (rs = 0,543). Además, observamos resultados positivos entre débiles y medios.
0,554) y ADTPb (rs = 0,543). Además, observamos niveles significativos de débiles a medios.
correlaciones entre ADT y los siguientes HM: ADTZn (rs = 0,402) y ADTCr
correlaciones positivas entre ADT y los siguientes HM: ADTZn (rs = 0,402) y ADT (rs =
0,340). Los resultados sugirieron que, en orden de importancia, los siguientes HM son los
Cr (rs = 0,340). Los resultados sugirieron que, en orden de importancia, los siguientes HM son
mejores elementos metálicos para realizar las previsiones de concentraciones de HM en RDS a partir del ADT
los mejores elementos metálicos para realizar las previsiones de concentraciones de HM en RDS a partir del
de la megaciudad en estudio: Ni, Cu y Pb. Los estudios reconocieron al Cu como un indicador clave.
IMD de la megaciudad en estudio: Ni, Cu y Pb. Los estudios reconocieron al Cu como clave
de emisiones por desgaste de frenos y neumáticos de vehículos. Esto demuestra que estos vehículos
Indicador de emisiones por desgaste de frenos y neumáticos de vehículos. Esto demuestra que estos
Los componentes contribuyeron significativamente a la contaminación de HM informada en los RDS [27,34]. En
Los componentes vehiculares contribuyeron significativamente a la contaminación de HM reportada en los RDS.
Además, hubo informes de que una de las principales fuentes de Ni en el entorno vial era
[27,34]. Además, hubo informes de que una de las principales fuentes de Ni en las carreteras
emisiones de escape de los vehículos. Las emisiones de este HM aumentaron aproximadamente cinco veces
ambientales fueron las emisiones de escape de los vehículos. Las emisiones de este HM aumentaron en
debido a las altas temperaturas del sistema de escape durante la aceleración del vehículo. Sin embargo, fue
aproximadamente cinco veces debido a las altas temperaturas del sistema de escape durante el funcionamiento del vehículo.
No aceleración.
se descartó que su fuente no
Sin embargo, de se
contaminación
descartó quetambién estuviera
su fuente relacionada
de contaminación con fugas
también de lubricante
estuviera y desgaste de
relacionada
partes deldevehículo
a fugas lubricantesometidas a piezas
y desgaste de procesos de cromado
del vehículo [68,69].
sometidas a procesos de cromado
[68,69].
3.2. Pronósticos de concentración de HM
Tabla 2. Resultados
El pronóstico mundiales
de las y localesde
concentraciones para
HMlaen
concentración de HM
los RDS de cada ende
una RDS según TDA.de monitoreo de
las estaciones
TDA establecidas en la megaciudad de estudio (n = 109) se realizó con base en las correlaciones
Fracción TDA Concentración (mg/kg)
calculado entre las concentraciones de HM (fracción de tamaño < 250 µm) y el ADT informado
(μm) (veh./día) Pb zinc Cu Cd cr Ni
según estudios de referencia internacionales (Figura 2). Se evaluaron diferentes modelos de regresión América (12,8%)
ado, con el modelo lineal proporcionando el mejor ajuste entre ADT y concentraciones de Ni
Mediana <1000 93,5 317,3 163 81,25 (Ni = 0,0003 × ADT + 24,3;
0,10 40.0
rs =52.787
0,598), Cu (Cu = 0,0036 × ADT + 99,3; rs = 0,554) y Pb
<1200 108 320 143 95,0 (Pb =0.00
0,0085 × TDA + 45.0
Promedio 61.513
176,7; rs = 0,543). Los resultados apuntaron a este grupo de elementos metálicos.
Máximo <2000 200 414 236 203 posiblemente
0,50 sean 58,7
130.000 de concentración
indicadores de otros HM (Zn, Cr y Cd) del ADT (Figura 2).
Mínimo <63 10.000 observadas,
correlaciones 183,7 de Zn en los44,7
31.3las concentraciones RDS12,9 Es decir,
podrían 0.00a partira de
predecirse las de
partir 35.0
concentraciones de Pb (ZnAsia
= 0,569 × Pb + 448; rs = 0,797), Cr de Ni (Cr = 3,61 × Ni9,94;
(30,8%)
rs = 0,811), y Cd de Pb (Cd = 0,0038 × Pb + 1,93; rs = 0,701).
Según los coeficientes de correlación calculados (rs entre 0,543 y 0,811), los resultados
sugirió posibles errores en los pronósticos de concentraciones de HM a partir de ADT (regresión lineal
modelos). Así, destacamos la importancia de tener una visión integral en relación
Atmósfera 2023, 14, 1033 9 de 21
al comportamiento de las concentraciones de HM en los RDS. En entornos urbanos, el estudio de la

El comportamiento de las concentraciones de HM en los RDS implicó considerar otros fenómenos relacionados, como
como el lavado superficial de RDS después de períodos de lluvia, o procesos de resuspensión de RDS por
altas velocidades del viento y turbulencias generadas por el tráfico de vehículos durante el tiempo seco [25,70].
De la evaluación conjunta de estas dinámicas urbanas se podrían obtener mejores ajustes
en los modelos de regresión lineal desarrollados para el pronóstico de concentraciones de HM en RDS.
Los pronósticos de concentración de HM (n = 109) fueron validados por las concentraciones
observado en la megaciudad de estudio (n = 9). Los HM considerados para esta validación fueron Pb
y Cu. Esto se debe a que se ha informado que muestran una relación significativa con
ADT (p. ej., [68,71]). Los resultados inicialmente mostraron que las concentraciones predichas de Pb y
El Cu tendió a estar dentro del rango mundial (Pb: 1,50–2296 mg/kg y Cu: 21,5–1816;
Tablas 2 y 3). Los errores porcentuales medios de las concentraciones pronosticadas de Pb y Cu en relación
a las concentraciones observadas fueron 8,98% y 10,4%, respectivamente.
Tabla 3. Concentraciones de Cu y Pb observadas y pronosticadas a partir de ADT.
Observado Predicho Error (%)

Sitio de muestreo TDA
CuPb Cu Pb Cu Pb
AV. BoyacáAv. primero de 827 1983 716 1774 6.20 10.5

187.600
Mayonesa
AV. SubaCL 100 157.300 712 1692 611 1386 14.1 18.1
AV. BoyacáAv. jorge gaitán 324 712 295 639 8.91 10.2
55.200
Cortés
Autopista NorteCL 200 Av. 49.000 300 652 276 593 8.10 9.02
Jorge Gaitán CortésAv. 216 440 191 393 11.6 10.7

26.900
Ciudad de Cali
KR 24CL 80 14.200 168 318 150 297 10.4 6.48
KR 13CL 59 12.500 162 302 144 283 10.9 6.31
CL 45KR 13 6900 140 248 124 235 11.3 5.11
KR 7CL 183 4200 130 222 114 212 11.9 4.33
3.3. Riesgo de enriquecimiento de HM
En el análisis de riesgo del enriquecimiento metálico de los RDS, consideramos lo predicho

concentraciones de los siguientes HM: Ni, Cu y Pb. Además, las concentraciones de Cr fueron
considerado debido a su muy fuerte correlación con las concentraciones de Ni (rs = 0,811). El
El índice Igeo se calculó a partir de las concentraciones de fondo en suelos urbanos (a nivel mundial
promedio) informado por Alekseenko y Alekseenko [72]. En promedio, los resultados mostraron
del índice Igeo que el RDS de la megaciudad en estudio no fue enriquecido (no contaminado)
con Ni y Cr (Igeo < 1). Estos resultados fueron similares a los informados por Li et al. [64] y
Wei y col. [73] para el RDS de las megaciudades chinas Chengdu y Beijing, respectivamente.
En contraste, el índice Igeo para Cu y Pb sugirió moderado a alto (1 < Igeo < 4) y
enriquecimiento de metales de moderado a extremadamente alto (1 < Igeo < 5) en el RDS, respectivamente. El
Las concentraciones de Cu y Pb en los RDS estaban entre 21,5 y 771 mg/kg, y 48 y
217 mg/kg, respectivamente. Sager et al. [69] también informaron Igeo alto en RDS (> 3,2) del
ciudades de Budapest (Hungría) y Seúl (Corea del Sur). La zona de mayor enriquecimiento de metales.
por estos dos HM se ubicó al suroeste de la megaciudad de estudio (Figura 3). Sin embargo, Pb
El enriquecimiento del RDS alcanzó para cubrir un área porcentual mayor de la megaciudad (norte,
centro y sur) en comparación con Cu. Este alto enriquecimiento en Pb del RDS coincidió con la
Ubicación de las estaciones de muestreo con mayor IMD entre 2.932 y 188.000 veh./día.
Por último, el orden decreciente en el índice Igeo fue el siguiente: Pb > Cu > Ni > Cr.
,,1033
Atmósfera Atmósfera 2023 2023,,14 14 x PARA REVISIÓN POR PARES 11 de 23 10 de 21
Figura3.3.Distribución
Figura Distribución espacial
espacial deldel índice
índice Igeo
Igeo enmegaciudad
en la la megaciudad en estudio
en estudio (Ni,Cu
(Ni, Cr, Cr, Cu y Pb).
y Pb).
A partir
los del cálculo
siguientes del índice
HM juntos: IPI,Cu
Ni, Cr, realizamos
y Pb. Los un análisis integral
resultados del RDSen queel consideraron
RDS que consideró
juntos los siguientes HM: Ni, Cr, Cu y Pb. Los resultados
8,64 en el RDS. Es decir, evidenciamos un índice IPI moderado entre 1,74 y 8,64 mostraron un índice IPI entre
en el 1,74 y
RDS. Es decir, evidenciamos un grado de contaminación metálica
extremadamente alto en el RDS. Gope et al. [74] informaron de un grado extremadamente de moderado a
altoendeelcontaminación
>1 RDS insinuaban metálica en el RDS.
un deterioro en la Gope
calidadetambiental
al. [74] informaron que los valores
de las carreteras. Los de IPI
viales. Esto posiblemente se deba a que las concentraciones de HM observadaslos
valores de IPI >1 en el RDS insinuaban un deterioro en la calidad ambiental de enentornos
el
observadas en el RDS estaban por encima del límite de los valores de fondo para HM
RDS eran ambientales. Esto posiblemente se deba a que las concentraciones de suelos
urbanos.
para suelosEnurbanos.
promedio, Enun valor de se
promedio, IPI observó
= 3,36 por un encima
valor IPIdel límiteen
= 3,36 detoda
los valores de fondo
la megaciudad
del estudio. Sin
megaciudad del embargo,
estudio. Sin hubo áreas específicas
embargo, hubo áreas de extremosde
específicas que se observaronextrema
contaminación en toda la
(IPI: 5,22–7,48).
megaciudad (IPI:Estas áreas estaban
5,22–7,48). Estas áreas en elestaban
centro yen surelde la contaminación
centro de la
y sur de la megaciudad (Figura 4).
(Figura
extremo4). Según
Según loslos resultados
resultados deldel índice
índice IPI,
IPI, lasáreas
áreasconconunungrado
gradodedecontaminación
contaminación extremo
en los RDS
000–188 000enselosasociaron
RDS se asociaron
con monitoreo con estaciones
estacionesde con monitoreo
IMD elevadascon ADT altas (90
(90.000188.000 veh./
día) . Los resultados
de Teherán. anteriores
Los resultados fueron consistentes
anteriores con los con
fueron consistentes reportados para laspara
los reportados ciudades
las ciudades
de
de Teherán
2,5 y 3,7,(Irán) y Asansol (Irán)
respectivamente, y Asansol
fueron (India),(India),
donde donde los valores
se observaron promedio
valores medios deldeIPIIPI de
2,5
áreasy 3,7, respectivamente
urbanas, la ADT era[10,74].
uno de los Se observó
principales [10,74]. También
indicadores se sugirió quede
antropogénicos enlas
lasfuentes
de
de contaminación
contaminación antropogénica
en los RDS [75]. en Por
los RDS
último,[75].
Cu Por
y Pbúltimo,
fueronCu losy principales
Pb fueron las HMfuentes
influyentes
en
IPI ( cálculo conjunto del grado de contaminación con el índice IPI (contribuciónel índice
los principales HM influyentes en el cálculo del grado de contaminación con
conjunta > 80%). Contribución > 80%).
, ,1033
Atmósfera Atmósfera 2023 2023, ,14 14
x PARA REVISIÓN POR PARES 12 de 23 11 de 21
Figura 4. Distribución espacial del índice IPI en la megaciudad en estudio (Ni, Cr, Cu y Pb).
Figura 4. Distribución espacial del índice IPI en la megaciudad en estudio (Ni, Cr, Cu y Pb).
En este estudio, desarrollamos modelos de regresión lineal entre ADT y los índices Igeo y En este estudio,
desarrollamos modelos de regresión
normalizamos las concentraciones de HM lineal entre
bajo las ADT de
escalas y los índices Igeo
calificación e IPI.
de los En otras
índices IPI. palabras,
Es decir,
normalizamos las concentraciones de HM bajo las escalas de calificación establecidas por
Esta normalización permitió obtener un mejor ajuste de lo establecido por estos índices. Esta estos índices.
normalización
significó que pudimos obtener un mejor ajuste de los modelos de regresión lineal entre ADT e índices
Igeo e IPI (R2 > 0,921) en comparación con los modelos de regresión lineal entre ADT e índices Igeo e IPI (R2
> 0,921) en comparación con los modelos desarrollados entre ADT y concentraciones de HM (R2 >
0,322). Los modelos lineales se desarrollaron entre las concentraciones de ADT y HM (R2 > 0,322). Los modelos
de regresión lineal obtenidos fueron los siguientes: Igeo_Ni = 1 × 10−5 × ADT − 0.902 (R = 0.975), los2
modelos de regresión obtenidos fueron los siguientes: Igeo_Ni = 1 × 10−5 × ADT − 0.902 (R2 = 0.975), Igeo_Cu
= 2 × 10−5 × TMD + 1,259 (R2 = 0,935), Igeo_Pb = 2 × 10−5 × TMD + 1,763 Igeo_Cu = 2 × 10−5 × TMD +
1,259 (R2 = 0,935), Igeo_Pb = 2 × 10 −5 × ADT + 1,763 (R2 = 0,921), (R2 = 0,921), Igeo_Cr = 1 × 10−5 × ADT −
0,477 (R2 = 0,971), e IPI = 4 × 10−5 × ADT + Igeo_Cr = 1 × 10−5 × TMD − 0,477 (R2 = 0,971), e IPI = 4 ×
10−5 × TMD + 1,615 (R2 = 0,989).
1,615 (R2 = 0,989).
3.4. Riesgo Ambiental 3.4.
Riesgo ambiental
En el análisis del riesgo ambiental de HM en RDS, consideramos las concentraciones previstas de
los siguientes HM: Ni, Cu y Pb. Las concentraciones de Cr también fueron concentraciones de los
siguientes HM: Ni, Cu y Pb. Las concentraciones de Cr también se consideraron debido a su fuerte
correlación con las concentraciones de Ni (rs = 0,811). Se consideraron debido a su muy fuerte correlación con
las concentraciones de Ni (rs = 0,811). Los resultados mostraron el siguiente orden decreciente en el
Índice de Riesgo Ecológico (ERI) según cada HM: Pb > Cu > Cr > Ni. El RDS de la megaciudad de estudio
mostró como máximo para cada HM: Pb > Cu > Cr > Ni. El RDS de la megaciudad en estudio mostró
como máximo un ERI, un índice ERI para Ni, Cr y Cu de bajo (ERI < 27), considerable (ERI < 141), y un índice
para Ni, Cr y Cu de bajo (ERI < 27). 27), riesgo considerable (ERI < 141) y considerable considerable
(ERI < 160),
(Figura 5). Sinrespectivamente (Figura 5).
embargo, hay sectores de Sin embargo, existen
la megaciudad sectores un
que mostraron de IRE
riesgo
alto(ERI
para< Pb
160), respectivamente
(ERI = 355).
Estos sectores estaban en el centro y mostraron un IRE alto para Pb (ERI = 355). Estos
centro y sur del sur de la megaciudad. De hecho, observamos concentraciones de Pb de hasta 217sectores estaban
mg/ en el
kg en estas
sectores. megaciudades.
sectores. De hecho,
Estos hallazgos observamos
insinuaron concentraciones
la ocurrencia de Pb
de procesos dede hasta 217 mg/kg
urbanización en estos
caracterizados
por el aumento de actividades antrópicas no reguladas y con altas densidades de población. En
actividades antrópicas no reguladas y con altas densidades poblacionales. En las ciudades de Ezhouaumento de
(China)índice
mayor y El Cairo (Egipto)
ERI, lo se reportó una
que posiblemente tendencia
se debió a quesimilar, donde Pb,
sus ciudades de Cu y Cr(China)
Ezhou fueron ylos
ElHM que(Egipto),
Cairo mostraron un
se reportó una tendencia similar, donde Pb, Cu y Cr fueron los HM que mostraron un mayor índice ERI, lo que
posiblemente se debió a su alto coeficiente de toxicidad [76,77]. Esta tendencia sugirió un gran impacto
en el medio
estudio. esteambiente
elevado y efectos nocivos en los organismos vivos en las áreas aledañas a las carreteras de
los RDS se asociaron con estaciones de monitoreo con TMD altas (72.000–188.000 vehículos/día).
Finalmente, desarrollamos modelos de regresión lineal entre ADT y los índices ERI y CERI. Es decir,
normalizamos las concentraciones de HM bajo las escalas de valoración establecidas por estos índices. Esta
normalización permitió obtener un mejor ajuste de los modelos de regresión lineal entre los índices ADT y ERI y
Atmósfera 2023, 14, 1033 12 de 21
CERI (R2 > 0,910) en comparación con los modelos desarrollados entre las concentraciones de ADT y HM (R2 >
0,322). Los modelos de regresión lineal desarrollados fueron los siguientes: ERI_Ni = 1 × 10−4 × ADT − 8,11 (R2 =
0,982), ERI_Cu = 7 × 10−4 × ADT + 19,9 (R2 = 0,939), ERI_Pb = 1,7 × 10−3 × ADT + 35,3 (R2 = 0,931), el ERI para
Pb en
ADT el RDS
+ 38,9 (R2coincidió
= 0,911),con la ubicación
y CERI de las
= 3,1 × 10− 3 ×estaciones de monitoreo
TMD + 102,3 con(83.000188.000
(R2 = 0,983). ADT más altos ERI_Cr = 1 × 10−4 ×
vehículos/día).
Figura 5. Distribución espacial del índice ERI (Er) en la megaciudad en estudio (Ni, Cr, Cu y Pb).
Con base en el cálculo del índice CERI (Índice Integral de Riesgo Ecológico Potencial), realizamos un análisis
ecológico para los HM considerados en el RDS (Ni, Cr, Cu y Pb). Los resultados arrojaron valores en el índice CERI de 115
a 678 en el RDS de la megaciudad en estudio. Es decir, fue evidente un riesgo ecológico de bajo a muy alto por los HM
asociados con el RDS (Tabla 1). Los resultados mostraron que el riesgo ecológico se asoció principalmente con el contenido
de Pb en el RDS (contribución promedio = 45,4%), seguido del contenido de Cr (27,6%), Cu (21,6%) y Ni (5,52%). En
sectores residenciales urbanos y con alta TMD, se han reportado valores del índice CERI de hasta 471 (riesgo considerable)
[59]. En promedio, se observó un valor de CERI = 243 en toda la megaciudad del estudio (riesgo moderado). Sin embargo,
hubo áreas específicas con un riesgo ecológico considerable (CERI = 546).
Estas áreas estaban en el centro y sur de la megaciudad de estudio (Figura 6). Según los resultados del índice CERI, estas
zonas con un grado considerable de riesgo ecológico en el RDS estaban asociadas a estaciones de seguimiento con IMD
elevadas (72.000188.000 veh./día).
Finalmente, desarrollamos modelos de regresión lineal entre ADT y los índices ERI y CERI. Es decir, normalizamos
las concentraciones de HM según las escalas de valoración establecidas por estos índices. Esta normalización permitió
obtener un mejor ajuste de los modelos de regresión lineal entre los índices ADT y ERI y CERI (R2 > 0,910) en comparación
con los modelos desarrollados entre las concentraciones de ADT y HM (R2 > 0,322). Los modelos de regresión lineal
desarrollados fueron los siguientes: ERI_Ni = 1 × 10−4 × ADT − 8,11 (R2 = 0,982), ERI_Cu = 7 × 10−4 × ADT + 19,9 (R2 =
0,939), ERI_Pb = 1,7 × 10− 3 × ADT + 35,3 (R2 = 0,931), ERI_Cr = 1 × 10−4 × ADT + 38,9 (R2 = 0,911) y CERI = 3,1 × 10−3
× ADT + 102,3 (R2 = 0,983).
Atmósfera 2023, 14, 1033 13 de 21
Figura 5. Distribución espacial del índice ERI (Er) en la megaciudad en estudio (Ni, Cr, Cu y Pb).
Figura 6. Distribución espacial del índice CERI en la megaciudad en estudio (Ni, Cr, Cu y Pb).
Figura 6. Distribución espacial del índice CERI en la megaciudad en estudio (Ni, Cr, Cu y Pb).
3.5. Riesgo para la salud
humana 3.5. Riesgo para la
salud humana A partir de la dosis diaria promedio de un contaminante, se calcularon las dosis promedio de HM a
través de las siguientes tres vías de exposición: ingestión, dérmica e inhalación siguiendo tres Se calcularon
las vías de exposición: ingestión, dérmica e inhalación (Tabla 4). Los hallazgos mostraron que las dosis adquiridas por la
población de niños fueron (Tabla 4). Los hallazgos mostraron que las dosis adquiridas por la población de niños se
comparaban frecuentemente con las de la población de edad avanzada. Probablemente esto se debió a la baja frecuencia
en comparación con la de la población de edad avanzada. Esto probablemente se debió al bajo peso corporal y las
altas tasas de ingestión de la población infantil, que podrían prevenirse mediante buenas prácticas de higiene corporal [39].
Los resultados mostraron que el Cr y el Pb se contienen mediante buenas prácticas de higiene corporal [39]. Los
resultados mostraron que Cr y Pb contenidos en el RDS excedieron el cociente de riesgo para la salud humana considerado
seguro (HQ < 1,0) por vía cutánea en el RDS superó el cociente de riesgo para la salud humana considerado seguro
(HQ < 1,0) por contacto e ingestión en los niños. población, respectivamente. Sin embargo, Cr estuvo en contacto dérmico
e ingestión en la población infantil, respectivamente. Sin embargo, el Cr se encontró en ambiente bajo diferentes
formas fisicoquímicas, donde el Cr (VI) fue el más tóxico. en el medio ambiente bajo diferentes formas fisicoquímicas,
donde el Cr (VI) era más tóxico. Estudios anteriores han estimado que, en promedio, el Cr (VI) podría llegar a
representar hasta el 30% del total de sustancias tóxicas. Estudios anteriores han estimado que, en promedio, el Cr (VI)
podría llegar al 30% del Cr [78]. En este estudio, consideramos el valor máximo del 30% para Cr (VI) sobre Cr total
[78]. En este estudio, consideramos el valor máximo de 30% de Cr (VI) sobre el total para el cálculo del índice HItotal
(evaluación conjunta de HM). Por tanto, se sobreestima el Cr para el cálculo del índice HItotal (evaluación conjunta
de los HM). Por lo tanto, se ajustaron las sobreestimaciones a las que podría conducir la evaluación de riesgos para la
salud humana de múltiples elementos metálicos (HItotal). De hecho, se necesitan más estudios para determinar la
fracción biodisponible
resultados de los
precisos sobre Cr. riesgos
De hecho, selaespera
para que másen
salud humana estudios sobre la del
la megaciudad fracción biodisponible
estudio. deproporcionar
Se requiere Cr proporcionen
resultados precisos
megaciudad sobre
del estudio los riesgos
donde para
había una la salud humana
megaciudad en elriesgo
potencial. estudio.
paraLos
la hallazgos
población revelaron
infantil poráreas específicas
la ingesta de en la
Pb asociado al RDS (valor máximo de HQing = 2,28). Estas áreas excedieron el límite de riesgo de ingestión
y estaban en el centro y sur de la megaciudad (Figura 7). La IMD asociada a estas áreas de estudio estuvo entre (HQing > 1,0)
77.000 y 180.000
potenciales veh./día.
por ingestión, Si bien dérmico
contacto dentro del análisis dede
e inhalación la RDS
población de (HQ
con HM edad>avanzada
1.0), hubono se observaron
áreas de estudioriesgos
con
yvalores cercanos
ancianos, a 1.0
el riesgo porpara el contacto
exposición dérmico
al SDR con Pbcon Cr el
tuvo presente enorden
siguiente el RDS
de( importancia
HQder = 0,904). Enlalavía
según población de niños
de exposición:
dérmicoingestión
> > contacto dérmico > inhalación. En la población anciana, esta secuencia cambió para la Cr: contacto
ingestión > inhalación. Los hallazgos anteriores para las poblaciones de niños y ancianos fueron consistentes con los
reportados en todo el mundo (p. ej., [5,59]). En promedio, al evaluar conjuntamente el riesgo de exposición al RDS con Pb
(ingestión, contacto dérmico e inhalación), no se encontró ningún riesgo no cancerígeno.
Atmósfera 2023, 14, 1033 14 de 21
observada en la población infantil (HI = 0,925). Sin embargo, el riesgo no cancerígeno estaba cerca
al valor límite recomendado (HI = 1,0). Ingestión, contacto dérmico e inhalación de
Los SDR que contienen Pb en la población infantil contribuyeron a un riesgo no cancerígeno del 95,9%.
4,09% y 0,01%, respectivamente (Tabla 4). El orden decreciente en el índice HI para cada uno de
los HM fueron los siguientes: Pb > Cr > Cu > Ni.
Tabla 4. Hazard ratio (HQ) e índice de peligro (HI) para cada HM y para el conjunto de HM (HItotal) en
el RDS (niños y ancianos).
sede sede sede

HOLA
Estadística de HM Ingestión Dérmico Inhalación
Niños Anciano Niños Anciano Niños Anciano niños mayores

Significar 0.012 0.002 0,017 0.012 3,32 × 10−13 2,65 × 10−13 0,029 0.014
Mediana 0.011 0.002 0,015 0.011 2,98 × 10−13 2,38 × 10−13 0.026 0.013
Ni
máx. 0.025 0.005 0.035 0.025 6,92 × 10−13 5,52 × 10−13 0,059 0.030
mín. 0.008 0.002 0.011 0.008 2,17 × 10−13 1,73 × 10−13 0.019 0.009
Significar 0.265 0.052 0.571 0.417 7,76 × 10−10 8,06 × 10−10 0.251 0,141
Mediana 0.236 0,047 0.508 0.371 6,90 × 10−10 7,17 × 10−10 0.223 0,125
cr
máx. 0.574 0.113 1.238 * 0.904 1,68 × 109 1,74 × 10−9 0.544 0.305
mín. 0,166 0.033 0,359 0.262 4,87 × 10−10 5,06 × 10−10 0,158 0,088
Significar 0.037 0.007 0.013 0.010 1,04 × 10−12 1,08 × 10−12 0.051 0,017
Mediana 0.032 0.006 0.012 0.008 8,94 × 10−13 9,24 × 10−13 0.044 0,015
Cu
máx. 0.095 0.019 0.034 0.025 2,66 × 10−12 2,75 × 10−12 0.130 0.044
mín. 0.019 0.004 0.007 0.005 5,31 × 10−13 5,49 × 10−13 0.026 0.009
Significar 0,887 0,175 0.038 0,028 2,46 × 10−11 2,55 × 10−11 0,925 0.203
Mediana 0.763 0.150 0.033 0.024 2,11 × 10−11 2,20 × 10−11 0,796 0,174
Pb
máx. 2.278 * 0.449 0,098 0,072 6,32 × 10−11 6,57 × 10−11 2.376 * 0.521
mín. 0,434 0.086 0.019 0.014 1,20 × 10−11 1,25 × 10−11 0.453 0,099
HItotal (Niños) HItotal (personas mayores)
Significar Mediana máx. mín. Significar Mediana máx. mín.
1.42 1.19 3.10 0,654 0.374 0.321 0,892 0.218
Nota: * = existe riesgo.
En relación con la evaluación del riesgo no cancerígeno en su conjunto para los HM considerados (HI total; Figura 8), se pudo
observar que el Pb contenido en el RDS de zonas con alta

ADT (>13.3000 vehículos/día) generó los mayores riesgos tanto para los niños (HItotal = 3,10) como para
los ancianos (HItotal = 0,892) (Tabla 4). Aunque, para la población de edad avanzada, el HItotal
El valor estaba cerca del límite recomendado (HI ≤ 1,0). En promedio, HI para Pb representó
en la población infantil alrededor del 75% del HItotal, seguido por HICr (19%), HICu (4%) y
HINi (2%). Se informó que una de las principales fuentes de Pb en la sangre de los niños era
la ingestión de suelos y sedimentos contaminados, y ese era un problema recurrente en
ciudades industrializadas [79]. A diferencia de los resultados obtenidos utilizando el índice Igeo para Cr,
donde sus concentraciones en el RDS estaban cercanas a los valores de fondo de los suelos urbanos
(ver Tabla 1 y Figura 3), los hallazgos mostraron que este HM tenía un riesgo elevado en
salud humana debido a su alta toxicidad (HI). La evaluación de este HM en el RDS debe
plantean mayor preocupación porque hay varios estudios que han llegado a conclusiones similares
con respecto al riesgo elevado de Cr en entornos viales con ADT elevados [5].
ngeston o contamnate so an sements, y eso fue un proemio recurrente en las ciudades industrializadas [79]. En
contraste con los resultados obtenidos utilizando el índice Igeo para Cr, donde sus concentraciones en el RDS
estaban cercanas a los valores de fondo de los suelos urbanos (ver Tabla 1 y Figura 3), los hallazgos mostraron
que este HM tenía un riesgo elevado para la salud humana. debido a su alta toxicidad (HI). La evaluación de este
HM en el RDS debería generar mayor preocupación porque hay varios estudios que han llegado a hallazgos
Atmósfera 2023, 14, 1033 15 de 21
similares sobre el riesgo elevado de Cr en entornos viales con ADT elevados [5].
mosphere 2023, 14, x PARA REVISIÓN POR PARES 17 de 23
Figura 7. Distribución espacial del índice HI por HM en niños y ancianos (Ni, Cr, Cu y Pb).
Figura 7. Distribución espacial del índice HI por HM en niños y ancianos (Ni, Cr, Cu y Pb).
En este estudio desarrollamos modelos de regresión lineal entre la ADT y el índice HI para cada HM y el
conjunto de HM considerados (ingestión + contacto + inhalación). Es decir, normalizamos las concentraciones de
HM bajo las escalas de valoración establecidas por este índice. Esta normalización permitió obtener un mejor ajuste
de los modelos de regresión lineal entre ADT y el índice HI (R2 > 0,921) en comparación con los modelos
desarrollados entre ADT y concentraciones de HM (R2 > 0,322). Los modelos de regresión lineal desarrollados
fueron los siguientes: HI_Pb = 2 × 10−5 × ADT + 0,334 (R2 = 0,971), HI_Cr = 3 × 10−6 × ADT + 0,180 (R2 = 0,919),
HI_Cu = 6 × 10−7 × ADT + 0,0164 (R2 = 0,911), HI_Ni = 1 × 10−7 × ADT + 0,008 (R2 = 0,901) y HItotal = 2 × 10−5 ×
ADT + 0,436 (R2 = 0,992). Por otro lado, los resultados del índice de riesgo cancerígeno (IRC) sugirieron que el Cr
fue el HM de mayor atención.
Sin embargo, las concentraciones de este HM en el SDR no representaron un riesgo cancerígeno (CRI < 1 × 10−4).
El valor máximo en el índice CRI (1.066 × 10−6) se asoció con la vía de estudio con mayor IMD (188.000 veh./día).
Figura 8. Distribución espacial del índice HItotal en niños y ancianos (Ni, Cr, Cu y Pb).
Figura 8. Distribución espacial del índice HItotal en niños y ancianos (Ni, Cr, Cu y Pb).
Con base en los En

modelos de regresión
este estudio lineal desarrollados
desarrollamos modelos de para pronosticar
regresión concentraciones
lineal entre de HM,HITMD
la ADT y el índice paraycada HM y el conjunto de
lineamientos para la protección de la salud humana, se procedió a sugerir límites de TMD en la megaciudad en
HM considerados (ingestión + contacto + inhalación). Es decir, normalizamos las concentraciones de HM bajo las escalas
estudio. Se consideraron las directrices sobre concentraciones de HM en suelo urbano residencial de Argentina y
de valoración establecidas por este índice. Esta normalización permitió obtener un mejor ajuste de los modelos de regresión
Cataluña (España) como las de mayor flexibilidad para el establecimiento de límites de IMD. Además, consideramos
lineal entre
las directrices de Cataluña (España), Alemania y Canadá como las de mayor exigencia para el establecimiento de
límites de IMD. En este análisis, consideramos las concentraciones pronosticadas en las 109 estaciones de
monitoreo de ADT y las observadas en las nueve estaciones de monitoreo directo. Los modelos de regresión lineal
obtenidos fueron los siguientes, con origen en cero: Pb
Atmósfera 2023, 14, 1033 16 de 21
ADT y el índice HI (R2 > 0,921) en comparación con los modelos desarrollados entre ADT
y concentraciones de HMs (R2 > 0,322). Los modelos de regresión lineal desarrollados fueron los siguientes:
sigue: HI_Pb = 2 × 10−5 × ADT + 0,334 (R2 = 0,971), HI_Cr = 3 × 10−6 × ADT + 0,180
(R2 = 0,919), HI_Cu = 6 × 10−7 × ADT + 0,0164 (R2 = 0,911), HI_Ni = 1 × 10−7 × ADT
+ 0,008 (R2 = 0,901), y HItotal = 2 × 10−5 × ADT + 0,436 (R2 = 0,992). En el otro
Por otro lado, los resultados del índice de riesgo carcinogénico (CRI) sugirieron que el Cr era el HM de
mayor atención. Sin embargo, las concentraciones de este HM en el RDS no representaron una
riesgo cancerígeno (IRC < 1 × 10−4 ). El valor máximo en el índice CRI (1,066 × 10−6)
se asoció con la vía de estudio con mayor IMD (188.000 veh./día).
Basado en los modelos de regresión lineal desarrollados para pronosticar concentraciones de HM, ADT,
y lineamientos para la protección de la salud humana, se procedió a sugerir límites de ADT en el
megaciudad en estudio. Directrices sobre concentraciones de HM en suelo residencial urbano de
Argentina y Cataluña (España) fueron consideradas como las de mayor flexibilidad para
el establecimiento de límites de IMD. Además, se tuvieron en cuenta las directrices de Cataluña
(España), Alemania y Canadá como aquellos con mayor exigencia para el establecimiento
de los límites del IMD. En este análisis, consideramos las concentraciones pronosticadas en el 109 ADT
estaciones de monitoreo y los observados en las nueve estaciones de monitoreo directo. el lineal
Los modelos de regresión obtenidos fueron los siguientes, con origen en cero: Pb = 0,0114 × ADT
(rs = 0,489), Cu = 0,0052 × ADT (rs = 0,538) y Ni = 0,0006 × ADT (rs = 0,687). Tabla 5
muestra las ADT limitantes (inferior y superior) sugeridas para la protección de la salud humana por
HM en el RDS. Los resultados mostraron que el 43,6% de las vías analizadas superaron la parte superior
límite de IMD para Pb (43.860 veh./día; Figura 9), y el 31,7% de las vías superó el límite superior
Límite IMD de Cu (59.615 veh./día). Esto sugirió que Pb era el HM que, a pesar de ser
eliminados de la gasolina, continuaron evidenciando la mayor importancia relativa para los vehículos.
tráfico e impacto en la salud humana. Por último, observamos vías con valores superiores a
2,50 veces respecto a la concentración límite de Pb establecida por referencia más flexible
directrices (Argentina).
Tabla 5. Límites de ADT sugeridos para la protección de la salud humana en suelo residencial urbano (Pb, Cu,
y Ni).
Argentina y Alemania y Canadá y

Guía
Cataluña, España Cataluña, España Cataluña, España
Pb Cu Ni
Límite inferior (mg/kg) 500 310 470
Límite superior (mg/kg) 60 60 50
Límites de IMD sugeridos (veh./día)
Límite superior de ADT 43.860 59.615 783.300

Límite inferior de ADT 5263 11.538 83.300
Atmósfera 2023, 14, 1033 17 de 21

Límite superior de ADT 43.860 59.615 783.300
Límite inferior de ADT 5263 11.538 83.300
Figura 9. Categorización
Figura de las
9. Categorización principales
de las víasvías
principales de la
demegaciudad de estudio
la megaciudad según
de estudio el límite
según de sugerida
la TMD TMD sugerido para Pb.
límite para Pb.
4. Conclusiones
Conclusiones4.
Los resultados
resultados de
de este
este estudio
estudio sobre
sobre la
la variación
variación espacial
espacial en
en las
las concentraciones
concentraciones de
de HM
HM asociadas
asociadas con
Los el RDS del ADT en
unalatinoamericana
megaciudad latinoamericana nos permiten
nos permiten sacar extraerconclusiones.
las siguientes lo siguiente con el RDS del ADT en una megaciudad
conclusiones.
1. Los hallazgos confirman que una fracción de tamaño < 250 µm es la más adecuada para estudiar los riesgos 1. Los
hallazgos confirman que una fracción de tamaño < 250 µm es la más adecuada para estudiar los riesgos de enriquecimiento
metálico (índices Igeo e IPI), riesgos ecológicos (índices ERI y CERI), de enriquecimiento metálico (índices Igeo
e IPI), de riesgos ecológicos (índices ERI y CERI) y de riesgos para la salud humana (índices HI y CRI) debido a los
HM asociados y riesgos para la salud humana (Índices HI y CRI) e índices CRI) debido a los HM asociados con
los RDS.
RDS. Esto es bajo la hipótesis de que ADT es la principal variable indicadora de la presencia de HM en el RDS
< 250 µm. Por lo tanto, los mejores indicadores de HM de los anteriores son los HM en el RDS < 250 µm. Por lo tanto,
los mejores indicadores de HM de la relación anterior son Ni, Cu y Pb. Estos elementos metálicos también
pueden servir como base para Ni, Cu y Pb. Estos elementos metálicos también pueden servir como base para
intervenciones destinadas a reducir los niveles de contaminación de HM en los sistemas de transporte por
carretera. destinado a reducir los niveles de contaminación de HM en los sistemas de transporte por carretera.
2. De los índices utilizados en este estudio se puede establecer el siguiente orden de significancia en el riesgo 2. De
los índices utilizados en este estudio se puede establecer el siguiente orden de significancia en el grado de riesgo de los HM
presentes en el RDS: enriquecimiento metálico Se puede establecer el grado de HM presentes en el RDS:
alto)enriquecimiento metálico >(moderado
> ecológico (moderado) (moderado
no cancerígeno a alto) > ecológico
(no significativo) (moderado)
> cancerígeno > no cancerígeno
cancerígeno (no significativo) > a
(no significativo).
Sin embargo,
población el significativo
infantil es riesgo no cancerígeno
y se asociaen el niño (no significativo).
principalmente con la posibleSiningestión
embargo,deelictante
riesgo yno
secancerígeno
asocia en la
principalmente con la posible ingestión de RDS.
RDS.
3. LosRiesgo
estudio. resultados muestran las siguientes
de enriquecimiento secuencias
de metales: Pb > Cu >enNiel>grado de riesgo
Cr. Riesgo para los
ecológico: Pbprincipales HM considerados
> Cu considerado en este en este
Pb >estudio.
Cr > CuRiesgo de enriquecimiento
> Ni. Riesgo cancerígeno: de
Pb metales:
> Cr > CuPbPb> >Cu
Cu> >NiCr
> Cr.
> Ni.Riesgo
Riesgoecológico: > Cr > Ni.
no cancerígeno: PbRiesgo
> Cr > no
Cu cancerígeno:
Ni. Así,
> Ni.elRiesgo
Pb es el
cancerígeno:
HM de mayorPbatención,
> Cr > Cuy >
el Ni.
Cr Así,
ganaelposiciones
Pb es el HM
porde
sumayor
nivel de
atención,
toxicidad
y el
durante
Cr gana
la posiciones
evaluación por su >
de riesgos ecológicos, no cancerígenos y cancerígenos, respectivamente.
4. En la megaciudad del estudio, sugerimos los siguientes límites de TMD (inferior y superior) para la protección de la salud
humana para Pb, Cu y Ni en el RDS: 5263–43,860, 11,538–59,615 y 83,300–783,300 veh./día, respectivamente. De
hecho, estos límites en el TDA tienden a variar según el tipo de riesgo analizado (enriquecimiento metálico, ecológico,
no cancerígeno y cancerígeno).
Atmósfera 2023, 14, 1033 18 de 21
5. Los hallazgos muestran que los modelos de regresión lineal desarrollados entre ADT y cada uno de los índices de riesgo considerados
tienen un mejor ajuste (R2 > 0,910) en comparación con los modelos de regresión lineal desarrollados entre ADT y concentraciones
2
de HM (R De hecho, esta mejora en la El ajuste de los modelos de regresión lineal desarrollados está asociado con la > 0,322).
normalización de las concentraciones de HM a partir de las escalas de calificación establecidas por cada uno de los índices de
riesgo considerados, lo que también sugiere la importancia de considerar otras variables (p. ej., uso del suelo y clima) a la hora de
considerar otras variables. desarrollando futuros estudios sobre la relación entre la intensidad del tráfico, los índices de riesgo y la
contaminación de HM.
Contribuciones del autor: Conceptualización, AVGH. y CAZM.; Metodología, AVGH., CAZM. y HARQ.; Software, AVGH.; Validación, AVG
H. y CAZM.; Análisis formal, AVGH., CAZM. y HARQ.; Investigación, AVGH. y CAZM.; Recursos, CAZM.; Curación de datos, AVGH. y
HARQ.; Escritura: borrador original, AVGH.; Escritura: revisión y edición, CAZM. y HARQ.; Visualización, AVGH., CAZM. y HARQ.;
Supervisión, CAZM.; Administración de Proyectos, CAZM.; Adquisición de financiación, CAZM. Todos los autores han leído y aceptado la
versión publicada del manuscrito.
Financiamiento: Esta investigación no recibió financiamiento externo.
Declaración de la Junta de Revisión Institucional: No aplicable.
Declaración de Consentimiento Informado: No aplicable.
Declaración de disponibilidad de datos: No aplicable.
Conflictos de intereses: Los autores declaran no tener ningún conflicto de intereses.
Referencias
1. Wang, M.; Debbage, N. Morfología urbana y congestión del tráfico: evidencia longitudinal de ciudades de EE. UU. Computadora. Reinar.
Sistema Urbano. 2021, 89, 101676. [Referencia cruzada]
2. Bucsky, P.; Juhász, M. Evidencia a largo plazo sobre tráfico inducido: un estudio de caso sobre la relación entre el tráfico por carretera y la capacidad de los puentes de Budapest.
Transp. Res. Parte A Práctica de políticas. 2022, 157, 244–257. [Referencia cruzada]
˙
3. Rybak, J.; Wróbel, M.; Krzyzy 'nska, R.; RogulaKozłowska, W.; Olszowski, T. ¿Polonia corre riesgo de sufrir polvo en las carreteras urbanas? Comparación
Estudios sobre mutagenicidad del polvo. Reinar. Contaminación. 2022, 314, 120337. [Referencia cruzada]
4. Mitchell, G.; Oduyemi, K.; Akunna, J. Sedimentos depositados en carreteras: implicaciones para el rendimiento de los filtros de drenaje que dan servicio a carreteras troncales
estratégicas. Ciencia del agua. Tecnología. 2019, 80, 747–761. [Referencia cruzada]
5. Aminiyán, MM; Baalousha, M.; Aminiyan, FM Evolución del riesgo para la salud humana basada en modelos de la EPA para adultos y niños y nivel de contaminación de metales
potencialmente tóxicos en el polvo de las carreteras de Rafsanjan: un estudio de caso en una región semiárida, Irán.
Reinar. Ciencia. Contaminación. Res. 2018, 25, 19767–19778. [Referencia cruzada]
6. Sofía, D.; Lotrecchiano, N.; Trucillo, P.; Giuliano, A.; Terrone, L. Nuevo sistema de medición de la contaminación del aire basado en Ethereum Blockchain. J. Sens. Actuador Red.
2020, 9, 49. [Referencia cruzada]
7. Zhao, H.; Li, X.; Wang, X.; Tian, D. Distribución del tamaño de grano de los sedimentos depositados en las carreteras y su contribución a los metales pesados
Contaminación en escorrentías urbanas en Beijing, China. J. Peligro. Madre. 2010, 183, 203–210. [Referencia cruzada]
8. Smichowski, P.; Gómez, DR Una visión general de las fuentes naturales y antropogénicas de partículas ultrafinas en el aire: analítica
Determinación para evaluar los perfiles multielementales. Aplica. Espectrosc. Rev. 2023, 1, 1–27. [Referencia cruzada]
9. Celo, V.; Yassine, MM; DabekZlotorzynska, E. Información sobre la composición elemental y las fuentes de partículas finas y gruesas en áreas de tráfico denso en Toronto y Vancouver,
Canadá. Tóxicos 2021, 9, 264. [CrossRef]
10. AliTaleshi, MS; Squizzato, S.; Feiznia, S.; Carabalí, G. Del polvo a las fuentes: la primera evaluación cuantitativa de las contribuciones relativas de las fuentes de emisiones a los
elementos (tóxicos y no tóxicos) en las vías urbanas de Teherán, Irán. Microquímica. J.
11. AlSwadi, HA; Usman, ARA; AlFarraj, AS; AlWabel, MI; Ahmad, M.; AlFaraj, A. Fuentes, potencial de toxicidad y evaluación de riesgos para la salud humana de suelos y polvo
cargados de metales pesados de áreas urbanas y suburbanas afectadas por actividades industriales y mineras. Ciencia. Rep. 2022, 12, 8972. [CrossRef]
12. Dixit, R.; Wasiullah; Malaviya, D.; Pandiyan, K.; Singh, UB; Sahu, A.; Shukla, R.; Singh, BP; Rai, JP; Sharma, PK; et al.
Biorremediación de metales pesados del suelo y el medio acuático: una descripción general de los principios y criterios de los procesos fundamentales. Sostenibilidad 2015, 7, 2189–
2212. [Referencia cruzada]
13. Zaynab, M.; AlYahyai, R.; Ameen, A.; Sharif, Y.; Un poco.; Fátima, M.; Khan, KA; Li, S. Efectos de los metales pesados sobre la salud y el medio ambiente. J. King Saud Univ.Sci.
Atmósfera 2023, 14, 1033 19 de 21
14. Qu, J.; Li, Z.; Wu, Z.; Bi, F.; Wei, S.; Dong, M.; Hu, Q.; Wang, Y.; Yu, H.; Zhang, Y. Microesferas de alginato magnético funcionalizadas con ciclodextrina para la eliminación sincrónica de plomo
y bisfenol a de suelos contaminados. Química. Ing. J. 2023, 461, 142079.
[Referencia cruzada]
15. Ermolin, MS; Fedotov, PS; Ivaneev, AI; Karandashev, VK; Fedyunina, NN; Burmistrov, AA Una contribución de las partículas a nanoescala de sedimentos depositados en las carreteras a la
contaminación de la escorrentía urbana por metales pesados. Quimiosfera 2018, 210, 65–75.
16. Bezberdaya, LA; Kasimov, NS; Chernitsova, OV; Tkachenko, AN; Lychagin, MY Metales pesados y metaloides en suelos, polvo de carreteras y sus fracciones PM10 en Sebastopol: niveles,
fuentes y riesgo de contaminación. Ciencia del suelo euroasiático. 2022, 55, 1871–1890.
17. Lloyd, LN; Fitch, GM; Singh, TS; Smith, JA Caracterización de contaminantes ambientales en sedimentos recolectados durante la calle
Operaciones de barrido para evaluar su potencial de reutilización. J. Medio Ambiente. Ing. 2019, 145, 04018141. [Referencia cruzada]
18. Kim, SA; Kim, KR; Kim, W.I.; Owens, G.; Kim, K.H. Influencia de la proximidad de las carreteras en las concentraciones de metales pesados en suelos y cultivos agrícolas urbanos coreanos.
Arco. Reinar. Contaminar. Toxico. 2017, 72, 260–268. [Referencia cruzada]
19. Gorka, R.; Kumar, R.; Yadav, S.; Verma, A. Implicaciones para la salud, distribución y reparto de fuentes de metales pesados en las carreteras
Polvo depositado en la ciudad de Jammu, en el norte de la India. Quimiosfera 2022, 308, 136475. [CrossRef]
20. Tang, Z.; Chai, M.; Cheng, J.; Jin, J.; Yang, Y.; Nie, Z.; Huang, Q.; Li, Y. Contaminación y riesgos para la salud de los metales pesados en la calle
Polvo de una ciudad minera de carbón en el este de China. Ecotoxicol. Reinar. Seguro. 2017, 138, 83–91. [Referencia cruzada]
21. Dietrich, M.; Krekeler, MPS; Kousehlar, M.; Widom, E. Cuantificación de fuentes de contaminación por Pb en entornos urbanos complejos mediante un modelo de mezcla de isótopos de fuentes
múltiples basado en isótopos de Pb en líquenes y sedimentos de carreteras. Reinar. Contaminación. 2021, 288, 117815. [Referencia cruzada]
[PubMed]
22. Botsou, F.; Sungur, A.; Kelepertzis, E.; Kypritidou, Z.; Daferera, O.; Massas, I.; Argyraki, A.; Skordas, K.; Soylak, M. Estimación de la removilización de elementos potencialmente tóxicos en el
suelo y el polvo de las carreteras de un entorno urbano industrializado. Reinar. Monit.
Evaluar. 2022, 194, 526. [CrossRef] [PubMed]
23. IbáñezDel Rivero, C.; Freír, KL; Gillings, MM; Barlow, CF; Aelión, CM; Taylor, MP Fuentes, vías y concentraciones de
Trazametales potencialmente tóxicos en el hogar. Reinar. Res. 2023, 220, 115173. [Referencia cruzada]
24. Shahab, A.; Zhang, H.; Ullah, H.; Rashid, A.; Rad, S.; Li, J.; Xiao, H. Características de la contaminación y toxicidad de elementos potencialmente tóxicos en el polvo de las carreteras de una
ciudad turística, Guilin, China: Evaluación de riesgos ecológicos y para la salud. Reinar. Contaminación. 2020, 266, 115419.
[Referencia cruzada] [PubMed]
25. Jeong, H.; Choi, JY; Lee, J.; Lim, J.; Ra, K. Contaminación por metales pesados por sedimentos depositados en las carreteras y su contribución al total de sólidos suspendidos en la escorrentía
pluvial de áreas industriales intensivas. Reinar. Contaminación. 2020, 265, 115028. [CrossRef] [PubMed]
26. Böckin, D.; Tillman, A.M. Evaluación Ambiental de la Fabricación Aditiva en la Industria de la Automoción. J. Limpio. Pinchar.
2019, 226, 977–987. [Referencia cruzada]
27. Adamiec, E.; JaroszKrzemi 'nska, E.; Wieszała, R. Metales pesados procedentes de emisiones de vehículos sin escape en polvos de carreteras urbanas y de autopistas. Reinar. Monit.
Evaluar. 2016, 188, 369. [CrossRef] 28. del RomeroBarreiro, MP; Pinilla Castañeda, RD;
ZafraMejía, CA Evaluación temporal de la concentración de metales pesados (Pb y Cu) asociados a los sedimentos viales: FontibónBarrios Unidos (Bogotá DC, Colombia). En g. Univ. 2015, 19,
315–333.
29. Hombres, C.; Liu, R.; Wang, Y.; Cao, L.; Jiao, L.; Pequeño.; Shen, Z. Un modelo de cuatro vías (FEST) para el reparto de fuentes: desarrollo,
Verificación y Aplicación. J. Peligro. Madre. 2022, 426, 128009. [Referencia cruzada]
30. Lanzerstorfer, C. Metales pesados en las fracciones de tamaño más fino de sedimentos depositados en carreteras. Reinar. Contaminación. 2018, 239, 522–531.
31. Williams, JA; Antoine, J. Evaluación del estado de contaminación elemental de los sedimentos superficiales de Jamaica mediante el factor de enriquecimiento, el índice de geoacumulación, el
riesgo ecológico y el índice de riesgo ecológico potencial. Mar. Contaminación. Toro. 2020, 157, 111288. [Referencia cruzada]
[PubMed]
32. Salmán, SA; Zeid, SAM; Seleem, E.MM; AbdelHafiz, MA Caracterización del suelo y evaluación de la contaminación por metales pesados en
Granjas Orabi, El Obour, Egipto. Toro. Nacional. Res. Centavo. 2019, 43, 42. [Referencia cruzada]
33. Denny, M.; Baskarán, M.; Burdick, S.; Tummala, C.; Dittrich, T. Investigación de metales contaminantes en el polvo de las carreteras en un entorno posindustrial
Ciudad: estudio de caso de Detroit, Michigan. Frente. Reinar. Ciencia. 2022, 10, 1431. [Referencia cruzada]
34. Duan, Z.; Wang, J.; Cai, X.; Wu, Y.; Xuan, B. Distribución espacial y evaluación de riesgos para la salud humana de los metales pesados en el polvo del campus: un estudio de caso de la
ciudad universitaria de Huaxi. Tararear. Ecológico. Evaluación de riesgos. En t. J. 2020, 26, 986–999. [Referencia cruzada]
35. Gupta, V.; Bisht, L.; Arya, Alaska; Singh, AP; Gautam, S. Distribución, fuentes, niveles de exposición y riesgos para la salud resueltos espacialmente de los metales pesados en el polvo de
carreteras fraccionado de tamaño <63 mm de la ciudad de Lucknow, norte de la India. En t. J. Medio Ambiente. Res. Salud Pública 2022, 19, 12898. [CrossRef]
36. Hanfi, MI; Seleznev, AA; Yarmoshenko, IV; Malinovsky, G.; Konstantinova, EY; Alsafi, KG; Sakr, AK Elementos potencialmente dañinos en sedimentos depositados en la superficie urbana de
Ekaterimburgo, Rusia: aparición, designación de fuentes y evaluación de riesgos.
Quimiosfera 2022, 307, 135898. [CrossRef]
37. Zhu, H.; Liu, X.; Xu, C.; Zhang, L.; Chen, H.; Shi, F.; Li, Y.; Liu, Y.; Zhang, B. Evaluación de riesgos para la salud de los metales pesados (HM) en el polvo de las carreteras basada en la
simulación de Monte Carlo y la biotoxicidad: un estudio de caso en Zhengzhou, China. Reinar. Geoquímica. Salud 2021, 43, 5135–5156. [Referencia cruzada]
Atmósfera 2023, 14, 1033 20 de 21
38. Krupnova, TG; Rakova, OV; Gavrilkina, SV; Antoshkina, EG; Baranov, EO; Yakimova, ON Contaminación por elementos traza del polvo de la carretera, fuentes, composición dispersa y
riesgo para la salud humana en Chelyabinsk, Rusia. Quimiosfera 2020, 261, 127799.
39. Hombres, C.; Wang, Y.; Liu, R.; Wang, Q.; Miao, Y.; Jiao, L.; Shoaib, M.; Shen, Z. Variaciones temporales de los niveles y fuentes de riesgo para la salud asociados con los metales
pesados en el polvo de las carreteras en Beijing desde mayo de 2016 hasta abril de 2018. Chemosphere 2021, 270, 129434.
40. Este, J.; Montealegre, JS; Pachón, JE; GarcíaMenéndez, F. Modelado de la calidad del aire para informar estrategias de mitigación de la contaminación en un
Megaciudad latinoamericana. Ciencia. Medio ambiente total. 2021, 776, 145894. [CrossRef] [PubMed]
41. SierraPorta, D.; SolanoCorrea, YT; TarazonaAlvarado, M.; de Villavicencio, LAN Vinculando la concentración de contaminación PM10 y PM2.5 a través de la cobertura arbórea en áreas
urbanas. CLEAN–Suelo Aire Agua 2023, 51, 2200222. [CrossRef]
42. Bustamante Zapata, AM; ZafraMejía, CA; RondónQuintana, HA Influencia de la vegetación en el confort térmico exterior en una megaciudad tropical de gran altitud: escenarios de
cambio climático y variabilidad. Edificios 2022, 12, 520. [CrossRef]
43. Vanegas, S.; Trejos, EM; Aristizábal, BH; Pereira, gerente general; Hernández, JM; Murillo, JH; Ramírez, O.; Amato, F.; Silva, LFO; Rojas, Nueva York; et al. Distribución espacial y
composición química del polvo vial en dos ciudades latinoamericanas de gran altitud.
Atmósfera 2021, 12, 1109. [CrossRef]
44. CuéllarÁlvarez, Y.; GuevaraLuna, MA; BelalcázarCerón, LC; Clappier, A. Inventario de Emisiones de Pozo a Ruedas de los Vehículos de Pasajeros de Bogotá, Colombia. En t. J. Medio
Ambiente. Ciencia. Tecnología. 2023, 1, 4805. [Referencia cruzada]
45. Zafra, C.; Suárez, J.; Pachón, JE Consideraciones de salud pública para PM10 en una megaciudad altamente contaminante: influencias de la atmósfera
Condición y Cobertura del Terreno. Atmósfera 2021, 12, 118. [CrossRef]
46. Secretaría Distrital de Movilidad de Bogotá Datos Abiertos Secretaría Distrital de Movilidad. Disponible en línea: https://datosabiertos sdmmovilidadbogota.hub.arcgis.com/search,
%20accessed%20on%20January%2030,%202019 (consultado el 13 de mayo de 2023).
47. INVIAS Serie Histórica de Tránsito Promedio Diario Actualizada TPD 2018 Publicación. Disponible en línea: https://www. invias.gov.co/index.php/archivoydocumentos/documentos
tecnicos/6609seriehistoricadetransitopromediodiario actualizadatpd2016publicacion (consultado el 13 de mayo de 2023).
48. Nasrollahi, H.; Ahmadi, F.; Ebadollahi, M.; Najafi Nobar, S.; Amidpour, M. La tecnología de invernadero en diferentes condiciones climáticas: un análisis integral del ahorro de energía.
Sostener. Tecnología energética. Evaluar. 2021, 47, 101455. [CrossRef] 49. dos Santos, PRS; Fernández, GJT; Moraes, EP; Moreira, LFF Efecto del clima tropical
sobre el contaminante tóxico de metales pesados
Curso de sedimentos depositados en la carretera. Reinar. Contaminación. 2019, 251, 766–772. [Referencia cruzada]
50. Pal, SK; Roy, R. Evaluación del patrón de emisiones de metales pesados en carreteras influenciado por el trazado de las carreteras urbanas. Transp. Res. Interdisciplina.
Perspectiva. 2021, 10, 100362. [Referencia cruzada]
51. Choi, JY; Jeong, H.; Choi, KY; Hong, GH; Yang, DB; Kim, K.; Ra, K. Identificación de fuentes e implicaciones de los metales pesados en las vías urbanas para la contaminación costera
en una ciudad costera, Busan, Corea. Mar. Contaminación. Toro. 2020, 161, 111724. [Referencia cruzada]
52. Gao, S.; Wang, X.; Li, H.; Kong, Y.; Chen, J.; Chen, Z. Metales pesados en sedimentos y escorrentías depositados en carreteras en zonas urbanas y
Autopistas interurbanas. Transp. Seguro. Reinar. 2022, 4, tdab030. [Referencia cruzada]
53. Baum, P.; Kuch, B.; Dittmer, U. Adsorción de metales a partículas en la escorrentía de aguas pluviales urbanas: ¿realmente importa el tamaño? Agua
54. ISO SISTISO 11047:1999; Calidad del suelo: determinación de cadmio, cromo, cobalto, cobre, plomo, manganeso, níquel y zinc. Métodos espectrométricos de llama y absorción atómica
electrotérmica. Organización Internacional de Normalización: Ginebra, Suiza, 1999. Disponible en línea: https://standards.iteh.ai/catalog/standards/sist/6e5c295571f948de
be0b58c161 f04894/sistiso110471999 (consultado el 13 de mayo de 2023).
55. ISO 11466:1995; Calidad del sueloExtracción de oligoelementos solubles en Aqua Regia. Instituto Nacional Americano de Estándares: Ginebra,
Suiza, 2007.
56. Zafra, C.; Temprano, J.; Tejero, I. Los factores físicos que afectan a los metales pesados acumulados en los sedimentos depositados en la superficie de las carreteras en tiempo seco:
una revisión. Agua Urbana J. 2017, 14, 639–649. [Referencia cruzada]
57. Ma, X.; Hua, MZ; Ji, C.; Zhang, J.; Shi, R.; Xiao, Y.; Liu, X.; Él, X.; Zheng, W.; Lu, X. Detección rápida y cuantificación de metales pesados en medicinas herbarias tradicionales chinas
mediante espectrometría de fluorescencia de rayos X dispersiva de energía de excitación monocromática. Analista 2022, 147, 3628–3633. [Referencia cruzada] [PubMed]
58. Doustmohammadi, M.; Anderson, M. Un modelo de regresión bayesiano para estimar los volúmenes de tráfico diarios promedio para carreteras de bajo volumen. En t. J. estadística.
Probablemente. 2018, 8, 143. [Referencia cruzada]
59. TrujilloGonzález, JM; TorresMora, MA; JiménezBallesta, R.; Zhang, J. Variación espacial dependiente del uso de la tierra y riesgo de exposición a metales pesados en sedimentos
depositados en carreteras en Villavicencio, Colombia. Reinar. Geoquímica. Salud 2019, 41, 667–679.
60. Krivokapi´c, M. Estudio sobre la evaluación de metales (pesados) en agua y sedimentos del lago Skadar (Montenegro), con evaluación BCF y capacidad de translocación (TA) por Trapa
Natans y una revisión de los ODS. Agua 2021, 13, 876. [CrossRef]
61. Mamat, Z.; Haximu, S.; Zhang, ZY; Aji, R. Una evaluación del riesgo ecológico de la contaminación por metales pesados en la superficie
Sedimentos del lago Bosten, noroeste de China. Reinar. Ciencia. Contaminación. Res. 2016, 23, 7255–7265. [Referencia cruzada]
62. Tang, R.; Mamá, K.; Zhang, Y.; Mao, Q. Las características espaciales y los niveles de contaminación de los metales en el polvo de las calles urbanas de Beijing,
Porcelana. Aplica. Geoquímica. 2013, 35, 88–98. [Referencia cruzada]
Atmósfera 2023, 14, 1033 21 de 21
63. Kumar, D.; Rajasegarar, S.; Palaniswami, M. Corrección automática de la deriva basada en estimaciones geoespaciales en redes de sensores inalámbricos.
Transmisión ACM. Senador Netw. 2015, 11, 1–39. [Referencia cruzada]
64. Li, F.; Zhang, J.; Huang, J.; Huang, D.; Yang, J.; Canción, Y.; Zeng, G. Metales pesados en el polvo de las carreteras del distrito de Xiandao, ciudad de Changsha, China: características,
evaluación de riesgos para la salud e identificación integrada de fuentes. Reinar. Ciencia. Contaminación. Res. 2016, 23, 13100–13113.
65. IDECA. Infraestructura de Datos Espaciales de Bogotá. Disponible en línea: https://ideca.gov.co (consultado el 13 de mayo de 2023).
66. Pantalón, P.; Harrison, RM Estimación de la contribución de las emisiones del tráfico rodado a las concentraciones de material particulado desde el campo
Medidas: una revisión. Atmos. Reinar. 2013, 77, 78–97. [Referencia cruzada]
67. Baptista Neto, JA; Rangel, CMA; Da Fonseca, EM; Do Nascimento, MTL; De Oliveira Santos, AD; Rodríguez, BCB; De Melo, GV Concentraciones y especiación fisicoquímica de metales
pesados en sedimentos de escorrentía urbana de São Gonçalo—Rio de Janeiro/Brasil. Reinar. Ciencia de la Tierra. 2016, 75, 1209. [Referencia cruzada]
68. Gunawardena, J.; Ziyath, AM; Egodawatta, P.; Ayoko, Georgia; Goonetilleke, A. Relaciones matemáticas para la acumulación de metal en superficies de carreteras urbanas basadas en el
tráfico y las características de uso del suelo. Quimiosfera 2014, 99, 267–271. [Referencia cruzada] [PubMed]
69. Sager, M.; Chon, H.T.; Marton, L. Variación espacial de elementos contaminantes de muestras de polvo en las carreteras de Budapest (Hungría) y Seúl (República de Corea), incluidos Pt, Pd
e Ir. Reinar. Geoquímica. Salud 2015, 37, 181–193. [Referencia cruzada] [PubMed]
70. Galatioto, F.; Masey, N.; Murrells, T.; Hamilton, S.; Pommier, M. Revisión de enfoques de modelado de resuspensión de polvo de carreteras y análisis de comparaciones para un estudio de
caso del Reino Unido. Atmósfera 2022, 13, 1403. [CrossRef]
71. Apul, DS; Molinero, E.; Jain, V. Concentraciones de metales de escorrentía de carreteras en Toledo, Ohio, y su relación con el tráfico diario promedio y
Edad de la superposición del pavimento. Ciencia del agua. Tecnología. 2010, 61, 1723–1731. [Referencia cruzada]
72. Alekseenko, V.; Alekseenko, A. La abundancia de elementos químicos en los suelos urbanos. J. Geochem. Explorar. 2014, 147, 245–249.
73. Wei, X.; Gao, B.; Wang, P.; Zhou, H.; Lu, J. Características de la contaminación y evaluación de riesgos para la salud de los metales pesados en el polvo de las calles
de diferentes áreas funcionales en Beijing, China. Ecotoxicol. Reinar. Seguro. 2015, 112, 186–192. [Referencia cruzada]
74. Gope, M.; Masto, RE; Jorge, J.; Hoque, RR; Balachandran, S. Biodisponibilidad y riesgo para la salud de algunos elementos potencialmente tóxicos (Cd, Cu, Pb y Zn) en el polvo callejero de
Asansol, India. Ecotoxicol. Reinar. Seguro. 2017, 138, 231–241. [Referencia cruzada]
75. Dehghani, S.; Moore, F.; Keshavarzi, B.; Hale, BA Implicaciones de riesgos para la salud de metales potencialmente tóxicos en el polvo y las superficies de las calles
Suelo de Teherán, Irán. Ecotoxicol. Reinar. Seguro. 2017, 136, 92103. [Referencia cruzada]
76. AbdelLatif, Nuevo México; Saleh, IA Contaminación por metales pesados en el polvo al borde de las carreteras principales y correlación con las actividades de urbanización en El Cairo,
Egipto. Mermelada. Ciencia. 2012, 8, 379–389.
77. Xu, D.M.; Zhang, J.Q.; Yan, B.; Liu, H.; Zhang, LL; Zhan, CL; Zhang, L.; Zhong, P. Características de contaminación y posibles implicaciones ambientales de los metales pesados en el polvo
de las carreteras en ciudades industriales y agrícolas típicas, provincia sudoriental de Hubei, China central. Reinar. Ciencia. Contaminación. Res. 2018, 25, 36223–36238. [Referencia
cruzada] [PubMed]
78. Borai, EH; ElSofany, EA; AbdelHalim, AS; Soliman, AA Especiación de cromo hexavalente en muestras de partículas atmosféricas mediante extracción selectiva y determinación cromatográfica
iónica. Análisis de tendencias de TrAC. Química. 2002, 21, 741–745. [Referencia cruzada]
79. Du, Y.; Gao, B.; Zhou, H.; Ju, X.; Hao, H.; Yin, S. Evaluación de riesgos para la salud derivados de los metales pesados en el polvo de las carreteras en parques urbanos de Beijing, China.
Procedia Medio Ambiente. Ciencia. 2013, 18, 299–309. [Referencia cruzada]
Descargo de responsabilidad/Nota del editor: Las declaraciones, opiniones y datos contenidos en todas las publicaciones son únicamente de los autores y contribuyentes individuales y no de MDPI
ni de los editores. MDPI y/o los editores renuncian a toda responsabilidad por cualquier daño a personas o propiedad que resulte de cualquier idea, método, instrucción o producto mencionado en
el contenido.

Spatial Analysis of Heavy Metal Pollution in Road - TRADUCCION

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Spatial Analysis of Heavy Metal Pollution in Road - TRADUCCION

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Análisis espacial de la contaminación por metales pesados en las carreteras

Intensidad de una megaciudad. Atmósfera

2023, 14, 1033. https://doi.org/

Atmósfera 2023, 14, 1033. https://doi.org/10.3390/atmos14061033 https://www.mdpi.com/journal/atmosphere

Atmósfera 2023, 14, 1033 2 de 21

El objetivo de este artículo es mostrar un análisis espacial de la contaminación de HM asociada

Atmósfera 2023, 14, 1033 3 de 21

2.1. Sitio de Estudio

2.2. Cálculo de IMD

Atmósfera 2023, 14, 1033 5 de 21

2.4. Análisis de la información

Atmósfera 2023, 14, 1033 6 de 21

Tipo Índice Ecuación Criterios Valuación Rango

Bi = Concentración de fondo para cada HM 0 < Igeo < 1

1,5 = Factor de corrección Moderado 1 < Igeo < 2

Extremadamente alto Igeo > 5

CERI = Potencial Integral Ecológico Moderado 40 ≤ IRE < 80

HI = HQing + HQinh + Sede ≤ 1

3.1. Análisis comparativo mundial

Atmósfera 2023, 14, 1033 7 de 21

Tabla 2. Resultados mundiales y locales para la concentración de HM en RDS según TDA.

Fracción TDA Concentración (mg/kg)

Promedio <1200 61.513 108 320 143 0.00 95.0 45.0

Máximo <2000 130.000 200 414 236 0,50 203 58,7

Mínimo <63 10.000 31.3 183,7 44,7 0.00 12.9 35.0

Promedio <922 39.301 204 573 215 2.13 183 49,4

Máximo <2000 144.000 589 1585 510 4.00 530 86.0

Mínimo <53 2400 40.0 51.4 24.0 0,30 58.1 20.0

Promedio <580 30.855 413 809 194 5.32 96.1 30,6

Máximo <2000 120.000 2296 4892 771 22.0 232 67,9

Mínimo <10 1800 1,50 80.0 21,5 0,10 13.0 7.50

Promedio <1113 44.120 264 242 106 6.20 122 32,7

Máximo <2000 68.520 520 343 151 18.0 123 44.4

Mínimo <200 5000 33,6 125 29.0 0.00 119 9.39

<483 19.266 351 564 127 ­ 19.0 ­

Mínimo <200 8800 251 249 73.0 ­ 19.0 ­

Total de documentos considerados a nivel mundial (n = 39, 100%)

Promedio <755 37.157 308 646 1816 4.50 128 40,5

Máximo <2000 144.000 2296 4892 771 22.0 530 86.0

Mínimo <10 1800 1,50 51.4 21,5 0.00 12.9 7.50

Este estudio, Bogotá/Colombia (n = 9)

<250 11.817 92.0 168 108 0,90 ­ ­

Mínimo <250 650 48.0 96.0 41.0 0,70 ­ ­

Nota. n = tamaño de la muestra, IMD = tráfico diario promedio y Veh. = vehículos.

Atmósfera 2023, 14, x PARA REVISIÓN POR PARES 8 de 23

Atmósfera 2023, 14, 1033 8 de 21

Figura 2. Coeficientes de correlación de Spearman entre concentraciones de HM (mg/kg) y ADT

Atmósfera 2023, 14, 1033 9 de 21

al comportamiento de las concentraciones de HM en los RDS. En entornos urbanos, el estudio de la

Tabla 3. Concentraciones de Cu y Pb observadas y pronosticadas a partir de ADT.

Observado Predicho Error (%)

AV. Boyacá­Av. primero de 827 1983 716 1774 6.20 10.5

Jorge Gaitán Cortés­Av. 216 440 191 393 11.6 10.7

KR 24­CL 80 14.200 168 318 150 297 10.4 6.48

KR 13­CL 59 12.500 162 302 144 283 10.9 6.31

CL 45­KR 13 6900 140 248 124 235 11.3 5.11

KR 7­CL 183 4200 130 222 114 212 11.9 4.33

3.3. Riesgo de enriquecimiento de HM

En el análisis de riesgo del enriquecimiento metálico de los RDS, consideramos lo predicho

Atmósfera 2023, 14, x PARA REVISIÓN POR PARES 14 de 23

Atmósfera 2023, 14, 1033 13 de 21

Atmósfera 2023, 14, 1033 14 de 21

el RDS (niños y ancianos).

<483 19.266 351 564 127 19.0

Mínimo <200 8800 251 249 73.0 19.0

<250 11.817 92.0 168 108 0,90

Mínimo <250 650 48.0 96.0 41.0 0,70

AV. BoyacáAv. primero de 827 1983 716 1774 6.20 10.5

Jorge Gaitán CortésAv. 216 440 191 393 11.6 10.7

KR 24CL 80 14.200 168 318 150 297 10.4 6.48

KR 13CL 59 12.500 162 302 144 283 10.9 6.31

CL 45KR 13 6900 140 248 124 235 11.3 5.11

KR 7CL 183 4200 130 222 114 212 11.9 4.33

HItotal (Niños) HItotal (personas mayores)