Inteligencia artificial para predecir mejor la contaminación atmosférica a corto plazo

contaminacion atmosferica UPM
Contaminación en la ciudad de Hong Kong

Investigadores de la Universidad Politécnica de Madrid han realizado un estudio con el que han logrado mejorar las capacidades predictivas de los modelos de contaminación atmosférica a corto plazo, utilizando técnicas de inteligencia artificial. El estudio, gracias a su predicción precisa y rápida de las concentraciones de ozono troposférico, puede ayudar a mejorar el sistema público de alerta por contaminación.

Para hacer frente a la dificultad que conlleva la predicción de los valores más elevados de contaminación atmosférica a corto plazo, esta metodología combina el pre-procesamiento de los datos utilizados para aprender el comportamiento de los fenómenos físicos con técnicas de regresión y de inteligencia artificial. Según ha explicado Bing Gong, autora principal del estudio, “los datos que se obtienen poseen buenas propiedades de sensibilidad y estabilidad y los resultados mejoran los convencionales entre un 30 y un 80%”.

De momento, la investigación se ha centrado en el área de Hong Kong, especialmente castigada por la polución, pero el equipo ya trabaja con otras ciudades en Marruecos o México. Además, el equipo de investigadores está trabajando ahora en el cálculo de los niveles de contaminación a los que está expuesta cada persona. Joaquín Ordieres, responsable del grupo de investigación, ha explicado que el objetivo “es permitir la incorporación de elementos adicionales, como la consideración de la calidad del aire doméstico o de la oficina”. Todo ello, con la vista puesta en “proporcionar al individuo y al sistema sanitario evidencias de exposición más concluyentes que los valores genéricos de inmisión registrados”.

Problemas de salud

La polución atmosférica puede llegar a causar graves problemas de salud. Por eso, la Unión Europea, así como otros agentes internacionales, ha establecido diferentes umbrales, tanto de alerta como de riesgo para la vegetación o la salud humana, en función tanto del contaminante como del contexto. Sin embargo, cuando estos límites son excedidos, la predicción de la evolución de los valores en las siguientes horas se convierte en un elemento esencial, por ejemplo, para decidir qué medidas tomar.

Sin embargo, los actuales modelos computacionales fallan en la precisión ya que son muy sensibles a las condiciones de contorno en puntos concretos. Además, las técnicas basadas en modelos de regresión, como tienden a minimizar los errores cometidos en el conjunto de datos, tienden a infravalorar los picos de contaminación. Unos valores que, precisamente, son los habitualmente marcan las medidas a adoptar.

Dejar una respuesta

Please enter your comment!
Please enter your name here