Estudio afirma que variables climáticas y de contaminación aérea favorecen propagación de pandemia

86

Análisis a siete comunas de Santiago demostró vínculo entre partículas de aerosol, monóxido de carbono, variables meteorológicas, cantidad de personas enfermas y propagación del covid-19.

Conocer las variables que influyeron en las comunas del país que mantuvieron mayores índices de contagio por covid-19, fue lo que impulsó a un grupo de investigadores, quienes elaboraron el estudio “Probable relationship between covid-19, pollutants and meteorology: A case study at Santiago, Chile” (disponible aquí), que se centró en siete comunas de Santiago (Santiago, Independencia, Puente Alto, Las Condes, El Bosque, La Florida y Pudahuel).

La investigación fue liderada por el académico de la Facultad de Ingeniería de la UCSC, Giovanni Salini (Ph. D en Física), junto al Dr. Patricio Pacheco, Eduardo Mera y María Carolina Parodi de la Universidad Tecnológica Metropolitana, como parte de la alianza entre ambas instituciones a través del grupo “Complejidad y Medio-Ambiente”.

“El objetivo principal fue demostrar el vínculo que existe entre partículas de aerosol (PM10, PM2.5), CO (monóxido de carbono), variables meteorológicas (temperatura, humedad relativa y velocidad del viento), cantidad de enfermos acumulados y la propagación del virus SARS-COV-2”, explicó Giovanni Salini.

Cambio de enfoque

La investigación demostró que los parámetros considerados (PM2.5, PM10 y CO, más variables meteorológicas) son parte de la fracción de elementos que dan sustento al crecimiento acumulado de pacientes infectados por la pandemia por covid-19, provocando que ésta se propague con facilidad, haciendo caótica la curva de enfermos acumulados e incrementando su complejidad.

“Es este último punto es el que hace la diferencia entre el enfoque clásico (considerar a las series temporales lineales y aplicarle las herramientas conocidas) y nuestro enfoque: de ser series temporales no lineales y complejas. Esto demuestra que usar herramientas de carácter lineal a series no lineales (y caóticas) no proporcionan un análisis más preciso”, señaló el investigador de la UCSC.

Una serie de tiempo se entiende como una secuencia de valores de alguna variable tomada cronológicamente (o en período de tiempo sucesivo) a intervalo, usualmente iguales. De acuerdo a Giovanni Salini, “hay muchos ejemplos de series de tiempo: el nivel del mar, incremento en la población, incremento de los gases invernadero (CO2 vinculado al calentamiento global), tendencia y aumento de la radiación ultravioleta (relacionado con la destrucción de la capa de ozono – O3), material particulado, velocidad del viento, etc. Identificar si los datos de la serie temporal son de naturaleza caótica o no, depende de la existencia de atractores en sistemas que son dinámicos (como el estudiado)”.

“Luego, si al graficar dicho sistema (en cierto espacio denominado de las fases) se revela que el comportamiento de los datos experimentales es contradictorio (o inverosímil) en comparación con datos lineales o aleatorios, verificaría que el dato experimental es de naturaleza caótica y no lineal. El que sea lineal o no está vinculado directamente con la forma analítica de su predicción (o pronóstico), algunos pasos en adelante. Si se trata de predecir una serie de tiempo que es lineal (como una línea recta) su éxito será del 100%. Si trata de predecir una serie de tipo sinusoidal, su éxito será del 99%. Pero si trata de predecir una serie que es de naturaleza no lineal, su éxito (hasta ahora) será menor al 60%. Aún más, si trata de hacer lo mismo con una serie netamente caótica, su éxito se reducirá drásticamente”, añadió.