Identificar fuentes desconocidas de contaminantes del aire es vital para proteger la salud pública, especialmente en casos que involucran la emisión de sustancias tóxicas. La eficiencia de este proceso depende en gran medida de la precisión de los métodos de Estimación de Término de Fuente (STE) y de la disponibilidad de mediciones robustas. Por lo tanto, es importante examinar cómo las características de la red de sensores afectan la precisión de STE. Este estudio investiga el impacto de diferentes configuraciones de sensores en los resultados de STE para una fuente puntual estacionaria en un entorno complejo, similar a un entorno urbano. La metodología de STE emplea el algoritmo de Monte Carlo de Cadenas de Markov de Metropolis-Hastings (MCMC) junto con simulaciones numéricas de un modelo de Dinámica de Fluidos Computacional (CFD). El algoritmo de STE se aplica en varias configuraciones de sensores en tres escenarios de liberación distintos y observaciones reales de sensores del experimento del túnel de viento de Michelstadt, evaluando tanto el número de sensores utilizados como el acuerdo entre las concentraciones medidas y modeladas. En general, los resultados indican que aumentar el número de sensores y la precisión del modelo mejora las estimaciones de los parámetros de la fuente. Sin embargo, hay un número específico de sensores en cada escenario de liberación donde los resultados de STE de sensores seleccionados al azar, de alta precisión y de baja precisión convergen a soluciones similares. En general, los hallazgos proporcionan información valiosa para diseñar configuraciones de sensores en áreas urbanas.