Functional Kriging Prediction of Pollution Series: The Geostatistical Alternative for Spatially-fixed Data/Predicción de series de contaminación mediante kriging funcional. La alternativa geoestadística cuando los datos están anclados al espacio

Proper assessment of air quality is of paramount importance. Accordingly, authorities in large cities have established air pollution monitoring networks that register levels of the most dangerous pollutants in a number of city locations on an hourly basis. Thus, the dataset including such measurements can be considered as a panel dataset where data are spatially fixed. Geostatistics deals with such panel or longitudinal data differently to econometrics: geostatistics takes advantage of the spatio-temporal dependencies to make kriging or cokriging predictions at non-observed sites. However spatio-temporal kriging implies a prohibitive computational burden and, as a consequence, functional kriging has emerged as an alternative strategy for dealing with this type of data since it deals with functional data representing the observations recorded at each location observed. Functional kriging could be said to reproduce the history of the phenomenon under study at non-observed sites. This novel approach has been applied in the city of Madrid (Spain) to particulate matter registers. We predict functional data at some of the most polluted sites of the city. La calidad del aire es una cuestión de suma importancia. Por ello en las grandes ciudades se han implantado redes de seguimiento de la calidad del aire que proporcionan horariamente el nivel de los contaminantes más peligrosos en las ubicaciones donde se han instalado las estaciones de seguimiento. Por tanto, el conjunto de datos relativo a tales mediciones constituye un conjunto de datos panel en el que los datos están anclados al espacio. El tratamiento geoestadístico de dichos datos es muy diferente al tratamiento econométrico de los mismos; la Geoestadística se aprovecha de las dependencias espacio-temporales existentes en ellos para llevar a cabo predicciones krigeadas o cokrigeadas en localizaciones no observadas. Sin embargo, el krigeado espacio-temporal implica una enorme carga computacional, lo que ha favorecido la aparición del kriging funcional, una estrategia geoestadística para tratar este tipo de datos ya que trabaja con datos funcionales que representan las observaciones registradas en cada localización observada. Podría decirse que el kriging funcional reproduce la historia del fenómeno de interés en tales localizaciones. Este novedoso enfoque se aplica en Madrid (España) para predecir el nivel de PM10 en algunos de los puntos más conta¬minados de la ciudad.