Mejoran las herramientas de predicción a corto plazo de la contaminación atmosférica

Investigadores de la Universidad Politécnica de Madrid (UPM) consiguen mejorar las capacidades predictivas de los modelos de contaminación atmosférica a corto plazo utilizando técnicas de inteligencia artificial.

06.02.2017

Un estudio realizado por una investigadora de la Universidad Politécnica de Madrid (UPM) ha logrado predecir con éxito las superaciones máximas diarias del umbral de ozono en el área de Hong Kong. Los resultados obtenidos resultan del máximo interés ya que la predicción precisa y rápida de las concentraciones de ozono troposférico resulta fundamental para el manejo del sistema público de alerta de contaminación.

Contaminación en la ciudad de Hong Kong. Fuente: pixabay.

En los últimos años el problema de la contaminación atmosférica está atrayendo la atención pública ya que puede causar graves problemas de salud. La Agencia de Protección Ambiental de los Estados Unidos (EPA), así como la Unión Europea y el resto de países, han establecido diferentes umbrales, tanto de alerta como de riesgo para la vegetación o la salud humana, en función tanto del contaminante como del contexto. El objetivo de los poderes públicos es garantizar, tanto con políticas como con actuaciones, que estos umbrales no sean excedidos y, por ello, cuando esto sucede, la predicción de la evolución de los valores en las siguientes horas se convierte en un elemento esencial, al menos de las medidas correctivas. El problema surge porque los modelos computacionales en uso tienen limitaciones severas en la precisión ya que son muy sensibles a las condiciones de contorno en puntos concretos y ahí la incertidumbre crece rápidamente. Por otro lado, las técnicas basadas en modelos de regresión, como tienden a minimizar los errores cometidos en el conjunto de datos, a menudo infravaloran los picos de contaminación. Precisamente son esos valores pico los más interesantes de predecir, ya que sus valores marcarán habitualmente las medidas a adoptar en su caso.

Para hacer frente a la dificultad de predicción de los valores más elevados, una investigadora del grupo Proyectos y Calidad de la Universidad Politécnica de Madrid  ha desarrollado una metodología que combina el pre-procesamiento del conjunto de datos que se utilizan para aprender el comportamiento de los fenómenos físicos con técnicas de regresión y de inteligencia artificial, empleando una técnica de votación entre diferentes modelos para mejorar la capacidad predictiva. Como señala Bing Gong, la 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%”.

Este estudio se ha llevado a cabo en Hong Kong, pero otros miembros del grupo de investigación están llevando a cabo trabajos- actualmente en evaluación científica- en los que se abordan problemáticas similares en otras ciudades como Marrakech o Ciudad de Méjico.

Además, el equipo de investigadores está trabajando ahora en la estimación de los niveles de contaminante a los que cada individuo está expuesto, basándose en los valores de inmisión y la posición geográfica de la persona. Como indica Joaquín Ordieres, responsable del grupo de investigación, “lo que pretendemos es permitir la incorporación de elementos adicionales, como la consideración de la calidad del aire doméstico o de la oficina. Se entiende que este es el siguiente paso lógico, para poder proporcionar al individuo y al sistema sanitario evidencias de exposición más concluyentes que los valores genéricos de inmisión registrados”.

Gong, Bing; Ordieres-Mere, Joaquin. Prediction of daily maximum ozone threshold exceedances by preprocessing and ensemble artificial intelligence techniques: Case study of Hong Kong. ENVIRONMENTAL MODELLING & SOFTWARE 84: 290-303. DOI: 10.1016/j.envsoft.2016.06.020. OCT 2016.

Enlaces de interés

https://www.epa.gov/aboutepa/about-national-exposure-research-laboratory-nerl-computational-exposure-division-ced

http://ec.europa.eu/environment/air/quality/