Aprovechar los datos satelitales y el machine learning para mejorar la calidad del aire en las ciudades

por Marco Arezio

La contaminación atmosférica representa uno de los principales desafíos para las ciudades modernas, con importantes consecuencias para la salud pública y la calidad de vida de los ciudadanos. La complejidad de las dinámicas que contribuyen a la formación y dispersión de los contaminantes hace difícil prever con precisión los niveles de contaminación en las áreas urbanas.

Este artículo explora un enfoque innovador basado en modelos de aprendizaje automático (machine learning) que combinan datos provenientes de observaciones satelitales y previsiones meteorológicas para mejorar la precisión de las predicciones de contaminantes atmosféricos. En particular, nos centramos en el área metropolitana de Milán, una de las ciudades italianas más afectadas por problemas de calidad del aire.

La integración de datos satelitales y previsiones meteorológicas

La precisión de las previsiones sobre la calidad del aire depende de la disponibilidad de datos fiables y de la capacidad de integrarlos en modelos complejos. Las observaciones satelitales proporcionan datos valiosos sobre la concentración de contaminantes como el dióxido de nitrógeno (NO2), el ozono (O3) y las partículas finas (PM2.5 y PM10), cubriendo amplias áreas geográficas y ofreciendo una visión integral de las condiciones atmosféricas. Estos datos se integran con previsiones meteorológicas locales que incluyen información sobre parámetros clave como la temperatura, la humedad, la velocidad y la dirección del viento, todos ellos factores que influyen significativamente en la dispersión de los contaminantes en el aire.

Las observaciones satelitales se realizan utilizando herramientas avanzadas, como el sensor TROPOMI a bordo del satélite Sentinel-5P de la Agencia Espacial Europea (ESA), que es capaz de detectar las concentraciones de numerosos gases atmosféricos con alta resolución. La integración de estos datos satelitales con previsiones meteorológicas provenientes de modelos como el Centro Europeo para Previsiones Meteorológicas a Medio Plazo (ECMWF) permite obtener una comprensión más precisa y detallada de la calidad del aire en un entorno urbano dinámico como Milán.

Modelos de machine learning para la predicción de la contaminación

Para mejorar la capacidad de predicción de la contaminación atmosférica, se emplean modelos de aprendizaje automático que combinan datos heterogéneos y los procesan para identificar patrones ocultos y relaciones no lineales entre las variables. En este estudio, se utilizaron varios algoritmos de aprendizaje automático, incluidos redes neuronales artificiales (ANN), árboles de decisión potenciados (como XGBoost) y modelos de regresión basados en máquinas de soporte vectorial (SVR).

Una de las ventajas del uso del machine learning es la capacidad de entrenar los modelos con grandes volúmenes de datos, identificando correlaciones que pueden escapar a las técnicas de modelización tradicionales. Por ejemplo, los modelos pueden reconocer cómo ciertas combinaciones de factores meteorológicos, como la presencia de una presión atmosférica específica o una dirección del viento determinada, pueden favorecer la acumulación o dispersión de contaminantes.

Enfoque en el área metropolitana de Milán

Milán se caracteriza por una alta densidad de población, una elevada concentración de actividades industriales y una geografía que limita la circulación del aire, lo que hace que la ciudad sea particularmente vulnerable a la acumulación de contaminantes atmosféricos. El modelo propuesto se aplicó para predecir los niveles de PM2.5 y NO2, dados sus importantes impactos en la salud pública.

Mediante la integración de datos satelitales y previsiones meteorológicas locales, los modelos de machine learning lograron mejorar significativamente la precisión de las predicciones en comparación con los métodos tradicionales. En particular, el uso de redes neuronales permitió modelar las interacciones no lineales entre las condiciones meteorológicas y las concentraciones de contaminantes, mientras que XGBoost demostró ser especialmente eficaz para gestionar la variabilidad temporal de las emisiones, como los picos de tráfico o las condiciones atmosféricas adversas.

Resultados y perspectivas futuras

Los resultados de las simulaciones mostraron que la integración de datos satelitales mejoró la capacidad del modelo para captar eventos de contaminación repentinos, como los causados por condiciones meteorológicas estancadas o aumentos temporales de las emisiones. Las previsiones obtenidas mostraron una mejora en el rendimiento con respecto a los modelos basados exclusivamente en datos meteorológicos, con un aumento significativo en la precisión de las estimaciones de los niveles de PM2.5 y NO2.

Este enfoque basado en machine learning tiene, por lo tanto, el potencial de proporcionar información más precisa y oportuna sobre la calidad del aire, permitiendo a las autoridades locales implementar medidas preventivas para mitigar la exposición de la población a los contaminantes. En el futuro, la mejora del acceso a datos satelitales de alta resolución y el aumento de la capacidad de cálculo podrían incrementar aún más la fiabilidad de estos modelos, convirtiéndolos en herramientas esenciales para la gestión sostenible del medio ambiente urbano.

Conclusiones

El enfoque de predicción de la contaminación atmosférica basado en la integración de observaciones satelitales y previsiones meteorológicas, mediante el uso de técnicas de machine learning, representa un avance significativo en la comprensión y gestión de la calidad del aire en las áreas urbanas. En el contexto de una ciudad como Milán, este tipo de modelos ofrece la posibilidad de anticipar situaciones críticas y adoptar medidas preventivas para reducir su impacto en la salud pública. Aunque todavía existen desafíos relacionados con la complejidad del sistema atmosférico y la disponibilidad de datos cada vez más precisos, el potencial de estas tecnologías para el monitoreo y la predicción de la contaminación es extremadamente prometedor.

© Reproducción Prohibida

Foto: Wikimedia