Varios estudios han demostrado que la contaminación por PM impacta significativamente la salud de las personas y el medio ambiente. Modelos confiables sobre los niveles y tendencias de contaminantes son esenciales para que los responsables de políticas tomen decisiones sobre la reducción de la contaminación. Por lo tanto, esta investigación presenta el análisis de sensibilidad de los modelos de Suavizado de Spline Bicúbico (BSS) y de Ponderación por Distancia Inversa (IDW) construidos para la serie mensual de PM del Reanálisis MERRA-2 recopilada durante enero de 2010 a abril de 2017 en la región del Golfo Pérsico, en las cercanías de la costa de los Emiratos Árabes Unidos. El rendimiento de los modelos se evalúa utilizando el Error Absoluto Medio (MAE), el Error Cuadrático Medio (RMSE) y el Error Porcentual Absoluto Medio (MAPE). Se utilizaron RMSE, Error de Sesgo Medio (MBE) y Eficiencia de Nash-Sutcliff (NSE) para evaluar la sensibilidad de los modelos a varios parámetros. Para el IDW, el RMSE medio disminuye a medida que el parámetro de potencia aumenta de 1 a aproximadamente 4 (el valor beta óptimo) y luego se estabiliza con un aumento adicional. Los valores de NSE cercanos a 1 indican que las predicciones del modelo son muy eficientes en capturar la varianza de los datos observados. NSE es casi constante como función del número de vecinos y del parámetro cuando beta > 4. En BSS, los gráficos de RMSE y NBE sugieren que incorporar más puntos en el cálculo de la media para los puntos de buffer conduce a una disminución general en la precisión del modelo. Además, el gráfico de MBE muestra que el error de sesgo medio inicialmente aumenta con el número de puntos, pero luego comienza a estabilizarse. La tendencia creciente sugiere que el modelo tiende a sobreestimar sistemáticamente los valores de PM a medida que se incluyen más puntos. El aplanamiento de la curva indica que más allá de un cierto número de puntos, el sesgo introducido por la inclusión de puntos adicionales no aumenta significativamente, sugiriendo un umbral más allá del cual la inclusión adicional de puntos no cambia marcadamente el sesgo medio. También se demostró que la generalizabilidad de los métodos puede depender de las características espaciales específicas del conjunto de datos.