La cuantificación espacial de múltiples fuentes dentro del entorno urbano es crucial para entender la calidad del aire urbano e implementar medidas para mitigar los niveles de contaminación del aire. Al mismo tiempo, las emisiones del tráfico por carretera contribuyen significativamente a estas concentraciones. Sin embargo, surgen incertidumbres al evaluar la contribución de múltiples fuentes que afectan a un único receptor. Este estudio tiene como objetivo evaluar una metodología de modelado de dispersión inversa que combina simulaciones de Dinámica de Fluidos Computacional (CFD) con el algoritmo de Monte Carlo por Cadenas de Markov (MCMC) de Metropolis-Hastings para cuantificar múltiples emisiones de tráfico a escala de calle. Este enfoque se basa únicamente en datos observacionales e información previa sobre el rango de tasas de emisión de cada fuente y se prueba en el centro de la ciudad de Augsburgo. Para abordar la ausencia de datos de medición extensos de un contaminante real correlacionado con las emisiones del tráfico, se generó un conjunto de datos observacionales sintéticos de un contaminante teórico, tratado como un escalar pasivo, a partir del modelo de dispersión hacia adelante, con ruido gaussiano añadido. Además, un análisis de sensibilidad también explora la influencia de la configuración de los sensores y la información previa en la precisión de las estimaciones de emisión. Los resultados indican que, cuando el rango potencial de tasas de emisión es estrecho, se pueden lograr predicciones de alta calidad (relación entre las tasas de liberación verdaderas y estimadas) incluso con redes que utilizan datos de solo 10 sensores. En contraste, expandir el rango de emisión permitido conduce a una menor precisión, particularmente en redes con menos de 50 sensores. Se recomienda realizar más investigaciones para evaluar el rendimiento de la metodología utilizando mediciones del mundo real.