La contaminación atmosférica representa uno de los desafíos más apremiantes de nuestro tiempo, siendo reconocida por organismos internacionales como un “asesino silencioso” que afecta de manera desproporcionada tanto al clima global como a la salud humana. La exposición a contaminantes como el monóxido de carbono (CO) es un problema crítico, especialmente en los centros urbanos, lo que ha impulsado la necesidad de desarrollar herramientas sofisticadas para su monitoreo, gestión y mitigación. En este contexto, la modelización de la dispersión de contaminantes atmosféricos ha emergido como una disciplina fundamental, proporcionando una herramienta clave para la evaluación de impacto ambiental (EIA) de diversas fuentes de emisión y para la toma de decisiones regulatorias.
Históricamente, la comprensión de la dinámica de los contaminantes atmosféricos se ha basado en modelos que fundamentan sus cálculos en principios físico-matemáticos. Estos modelos, esenciales para la identificación de áreas de alto impacto ambiental y la selección de ubicaciones estratégicas para estaciones de monitoreo, han sido pilares de la gestión ambiental durante décadas. No obstante, sus cimientos teóricos a menudo implican suposiciones simplificadoras que limitan su capacidad para capturar la complejidad inherente de los entornos del mundo real.
Variables de entrada y supuestos físicos en el modelado tradicional
La precisión de los modelos de dispersión tradicionales depende en gran medida de un conjunto de variables de entrada, que pueden clasificarse en tres grupos principales:
- Variables meteorológicas: Incluyen la velocidad y dirección del viento, la estabilidad atmosférica, la temperatura y la precipitación. La turbulencia, que es un factor difusor de gran poder en la atmósfera, juega un papel crucial en la dispersión de los contaminantes. La estabilidad atmosférica se clasifica en seis categorías, desde A (extremadamente inestable) hasta F (moderadamente estable).
- Variables de emisión: Se refieren a la cantidad de contaminante emitida, el tipo de contaminante (gases o partículas), la posición y altura del foco emisor, y la temperatura y velocidad de emisión de los gases.
- Variables topográficas: Describen la orografía del terreno.
Los modelos matemáticos, particularmente los gaussianos, se basan en una serie de hipótesis simplificadoras que facilitan la resolución de las ecuaciones: los gases se consideran no reactivos, la dispersión es isotrópica, el terreno es plano y las condiciones de emisión y meteorológicas son estacionarias.
Limitaciones intrínsecas y requerimientos computacionales
Si bien estos modelos han sido indispensables, presentan limitaciones intrínsecas derivadas de sus suposiciones fundamentales. La naturaleza simplificadora de sus ecuaciones subyacentes hace que fallen en escenarios complejos del mundo real. Por ejemplo, los modelos analíticos, aunque útiles para una primera aproximación, no son adecuados para condiciones atmosféricas muy estables, para terrenos complejos o cuando hay reacciones químicas entre los compuestos. Esta limitación se debe a que la dinámica atmosférica real en entornos urbanos, con la presencia de edificios y valles montañosos, viola explícitamente los supuestos de “terreno plano” y “dispersión isotrópica”. Este vacío de precisión en la simulación de la complejidad es precisamente lo que la Inteligencia Artificial busca llenar.
Los modelos numéricos, por su parte, aunque más exactos y con una mayor capacidad descriptiva, exigen una mayor complejidad, incrementando las variables y la cantidad de datos de entrada necesarios, así como el costo computacional.
La inteligencia artificial como herramienta predictiva para el aire limpio
Transición de la Modelización Físico-Matemática a los enfoques basados en datos:
La Inteligencia Artificial (IA) y el aprendizaje automático (AA) representan un cambio de paradigma al permitir a las máquinas extraer conocimiento y aprender de los datos de manera autónoma, en lugar de depender de ecuaciones predefinidas. Esta capacidad es particularmente relevante en la modelización ambiental, donde la IA puede procesar un rango de fuentes de “big data” —incluyendo datos estructurados, semiestructurados y no estructurados— de una variedad de fuentes como sensores terrestres, satélites y agencias públicas. La capacidad de analizar estos grandes volúmenes de datos permite que los modelos de IA detecten patrones complejos que los modelos físicos, limitados por sus supuestos, no pueden capturar.
Arquitecturas de aprendizaje profundo aplicadas a la calidad del aire:
El aprendizaje profundo (DL) es un subcampo del AA que utiliza redes neuronales profundas para transformar, abstraer y procesar información de manera jerárquica, fortaleciendo la extracción de características. En el ámbito de la calidad del aire, diversas arquitecturas de DL han demostrado su potencial:
Redes Neuronales Recurrentes (RNN) y Memoria a Corto y Largo Plazo (LSTM):
Las RNN son adecuadas para el análisis de series de tiempo de datos ambientales. Sin embargo, las redes LSTM, una variante de las RNN, han demostrado una precisión predictiva superior para capturar las dependencias temporales en grandes conjuntos de datos de calidad del aire. Un estudio de caso demostró que el modelo LSTM superó en precisión a los modelos basados en Transformers, destacándose por su uso eficiente de la memoria RAM y su rapidez en realizar predicciones, haciéndolo ideal para aplicaciones en tiempo real.
Redes Neuronales Convolucionales (CNN):
Las CNN son altamente efectivas para la extracción de características espaciales. En la modelización de la calidad del aire, a menudo se combinan con las redes LSTM para crear modelos ConvLSTM, lo que permite aprovechar las ventajas de ambos enfoques para procesar datos espaciotemporales de manera integral.
Modelos de transformers:
A pesar de su reciente éxito en otros campos, los modelos basados en Transformers han mostrado un rendimiento variable en la predicción del Índice de Calidad del Aire (ICA) en un estudio comparativo, con coeficientes de determinación (R2) que oscilan entre 0.322 y 0.640. Aunque son eficientes computacionalmente, no lograron la precisión del modelo LSTM en este caso de estudio.
Análisis de casos de estudio y proyectos emblemáticos
La aplicación de la IA en la predicción de la calidad del aire ya se está manifestando en proyectos concretos:
Proyecto CoNOAir
Este modelo de IA, diseñado para predecir los niveles de monóxido de carbono (CO), ha demostrado una precisión notable. Su algoritmo basado en transformadas de Fourier fraccionarias no solo es computacionalmente eficiente y rápido, sino que también logra un coeficiente de determinación (R2) superior a 0.95 en la predicción de la concentración de CO a una hora vista. Adicionalmente, puede anticipar los niveles de contaminantes con hasta 72 horas de antelación, lo que es crucial para la toma de decisiones proactivas en la planificación urbana.
Proyecto Modelair
Financiado por la Unión Europea, este proyecto tiene como objetivo mejorar la capacidad de modelización de la calidad del aire, particularmente en entornos urbanos. Su enfoque se centra en la influencia de las estructuras urbanas —un factor que los modelos clásicos tienen dificultades para simular— en el flujo y la dispersión de contaminantes, lo que demuestra la capacidad de la IA para abordar las limitaciones de los métodos tradicionales.
Caso de Estudio en Cuenca, Ecuador
Un estudio comparativo evaluó la eficacia de las redes neuronales recurrentes (RNN, LSTM) y los modelos de Transformers para predecir el Índice de Calidad del Aire (ICA) en la ciudad de Cuenca. Los resultados demostraron que el modelo LSTM fue el más eficaz en la predicción del ICA, logrando un coeficiente de determinación (R2) de 0.701. Aunque el rendimiento general de todos los modelos fue satisfactorio, el estudio reveló una considerable dispersión de los datos y elevadas métricas de error, que se atribuyeron al tamaño relativamente pequeño del conjunto de datos y a la baja correlación observada entre ciertos contaminantes. Este hallazgo subraya una verdad fundamental: el rendimiento de la IA, por sofisticado que sea el algoritmo, está intrínsecamente ligado a la calidad y cantidad de los datos de entrenamiento.
Conclusiones y futuras perspectivas
El presente análisis ha demostrado que la Inteligencia Artificial está redefiniendo los modelos predictivos de dispersión de contaminantes. Los modelos tradicionales, aunque han sido herramientas valiosas, tienen limitaciones inherentes debido a sus suposiciones simplificadoras. La IA, por su parte, ofrece un enfoque más poderoso al aprender directamente de los datos, lo que le permite alcanzar niveles de precisión y velocidad sin precedentes y anticipar eventos de contaminación con mayor antelación. No obstante, el éxito de la IA no es un resultado garantizado; su rendimiento está intrínsecamente ligado a la calidad, la cantidad y la disponibilidad de los datos de entrenamiento.
De cara al futuro, la modelización ambiental no se dirigirá a un reemplazo total de los modelos físicos por los de IA, sino a una integración de ambos enfoques. Los modelos híbridos, que combinan la solidez teórica de la física atmosférica con la capacidad de la IA para aprender de patrones de datos complejos, ofrecen una vía prometedora para superar las debilidades de cada enfoque por separado. Un ejemplo de este concepto es el sistema DyNA, que combina la modelización física con redes neuronales para mejorar la precisión y la velocidad de las predicciones de calidad del aire. De manera similar, se requerirá un enfoque de modelos de múltiples escalas, que permitan una refinación de la malla desde un nivel global hasta una escala local, como el área de una ciudad específica.
Referencias
- Salazar, L. L. Z., Lozada, R. I. A., Rojas, C. M. M., & Bustamante, L. F. R. (2024). Aplicación de la Inteligencia Artificial en la evaluación del impacto ambiental de proyectos de ingeniería. Magazine de las Ciencias: Revista de Investigación e Innovación, 9(3), 99-114.
- Sabando-García, Á. R., Peñate, M. U., Herrera, R. A., Gómez, A. A. H., Meza, N. L. T., Di Michele, P. D. E., & Llanez, E. R. I. (2025). La inteligencia artificial en la predicción de la temperatura ambiental y del suelo en Ecuador. European Public & Social Innovation Review, 10, 1-17.
- Cuzme, L. J. M., Avalos, M. P. M., & López, O. A. G. (2025). Uso de modelos predictivos basados en inteligencia artificial para anticipar la producción agrícola en función de variables climáticas. Polo del Conocimiento, 10(4), 1139-1152.
Autor: Kinedrik
