La respuesta, de forma rápida, es afirmativa, porque los estudios e investigaciones están demostrando que es posible crear modelos de predicción de la contaminación ambiental cada vez más fiables.
La modelización es, a día de hoy, una herramienta importante para las administraciones públicas encargadas de adoptar medidas relacionadas con la calidad del aire, ya que permite, por ejemplo, complementar las mediciones existentes y ampliar su cobertura espacial.
Pero las capacidades predictivas que ofrecen las tecnologías modernas están abriendo un nuevo campo que, y tal y como argumenta Bouarar et al. (2017), posibilita a las autoridades gestoras ganar tiempo para alertar a la ciudadanía o acordar acciones orientadas a paliar la situación, como, por ejemplo, restringir el tráfico rodado.
¿Qué es un modelo de calidad del aire?
Un modelo de calidad del aire consiste en una representación matemática de los factores que influyen en la determinación de esta variable y que se recogen de manera simplificada en el siguiente listado (1,2):
➢ Datos de emisiones contaminantes
➢ Temperatura ambiental
➢ Humedad relativa
➢ Velocidad del viento
➢ Topografía de la zona
➢ Precipitaciones
Una de las fuentes de información más importantes de este listado es, sin duda, la referente a las emisiones contaminantes. Los datos empleados en los modelos de calidad del aire se han obtenido, tradicionalmente, tomando como base las mediciones de las estaciones fijas que constituyen las redes de vigilancia, complementadas en ocasiones con observaciones de satélites.
Pero la irrupción del internet de las cosas y los sensores low cost añade la posibilidad de disponer de mayor cantidad de datos para recrear modelos más exactos con una menor inversión económica, un aspecto que ya se señaló en el artículo sobre el empleo de dispositivos IoT para medir la calidad del aire exterior y también apuntan Croitoru & Nastase (2018).
No obstante, conviene aclarar que esta información no se vuelca de manera automática en el software de modelización. Los datos recopilados se someten a una limpieza y análisis previo que ENVIRA ejecuta mediante su sistema de validación inteligente de datos. La verificación, basada en algoritmos particularizados para cada sensor, permite detectar anomalías en el funcionamiento de los instrumentos de medición. Esta supervisión constante asegura la calidad del dato, minimizando la posibilidad de utilizar información errónea que, a la postre, pueda desvirtuar el modelo.
La combinación de todos estos elementos permite obtener una distribución espacial de la contaminación, información que puede ser ofrecida, por ejemplo, sobre un mapa de la ciudad para su consulta en tiempo casi real.
Pero esta modelización también posibilita obtener una estimación de la evolución de la calidad del aire mediante la aplicación de algoritmos matemáticos.
Inteligencia artificial, un ingrediente fundamental para pronosticar la calidad del aire
La explotación de estos datos masivos obliga a la búsqueda de nuevos métodos de integración y modelado, un campo en el que la inteligencia artificial está mostrando su fortaleza (Larkin & Hystad, 2017).
A grandes rasgos, la inteligencia artificial es el procedimiento a través del cual una máquina imita la capacidad humana para, por ejemplo, aprender y resolver problemas. Así, partiendo de datos históricos (cuantos más, mejor) que combinan la información de emisiones y meteorología antes apuntada, un ordenador es capaz de ofrecer como resultado una estimación de calidad del aire cuando los condicionantes son similares a los registrados en el pasado.
Dentro de este avance se pueden distinguir diferentes ramas de desarrollo, destacando
➢ el machine learning o aprendizaje automático, que como recoge el blog de Andalucía Digital (3) citando Wikipedia «trata de crear programas capaces de generalizar comportamientos a partir de una información suministrada en forma de ejemplos», siendo una de las estructuras más claras los denominados “árboles de decisión” (decision trees),
➢ el deep learning o aprendizaje profundo, que supone un paso más con respecto al machine learning y se adentra en el ámbito de las redes neuronales.
El machine learning fue, por ejemplo, la base sobre la que Lary et al. (2015) creó un modelo mundial de distribución diaria de partículas PM2.5 con una resolución de 10 km destinado a apoyar estudios epidemiológicos. El deep learning, en cambio, está demostrando ser más efectivo que los métodos de predicción de series temporales (Li et al., 2016), ofreciendo también posibilidades en la estimación de la contaminación del aire a partir de imágenes (Zhang et al., 2016).
¿Qué ventajas ofrecen los modelos predictivos de calidad del aire?
El uso de las tecnologías citadas en el epígrafe anterior está permitiendo la creación de modelos de predicción de la calidad del aire más fiables.
Tal y como se ha señalado en la introducción y argumentan Croitoru & Nastase (2018) y la web de la Generalitat de Catalunya (1), los modelos predictivos pueden servir para
➢ Ayudar a mejorar la gestión de las cuestiones relacionadas con la calidad del aire, pudiendo generar mapas que alerten de un índice de calidad del aire perjudicial, una información que para las personas que integran los grupos de riesgo supone un claro beneficio.
➢ Informar a la ciudadanía con carácter previo, ofreciendo la oportunidad de modificar sus hábitos personales para minimizar la exposición.
➢ Establecer políticas orientadas al cumplimiento de los objetivos de calidad del aire.
➢ Entender mejor el efecto de las condiciones meteorológicas sobre la contaminación.
➢ Estimar la calidad del aire en cualquier zona, lo que reduce la necesidad de nuevas infraestructuras, si bien, como se ha explicado con anterioridad, a más datos, más seguridad.
La contaminación del aire, en resumen, se puede predecir con un notable porcentaje de acierto teniendo en cuenta los factores que determinan cómo evolucionan las emisiones en la atmósfera y cómo se transportan los contaminantes a través del aire. Tecnologías avanzadas como el machine learning o el deep learning están ayudando a descubrir nuevas posibilidades y oportunidades para mejorar la calidad de vida de la ciudadanía, alertando con antelación de posibles episodios de alta contaminación. No obstante, no conviene olvidar un aspecto esencial: todo el proceso parte de disponer datos cuantitativos fiables, el “combustible” que proporcionan los dispositivos de medición de ENVIRA.
Referencias:
– (1) Generalitat de Catalunya. (2019). Modelos de pronóstico de calidad del aire. http://mediambient.gencat.cat/es/05_ambits_dactuacio/atmosfera/qualitat_de_laire/avaluacio/models-de-pronostic-de-qualitat-de-laire/
– (2) Organización Panamericana de la Salud. (2005). Curso de orientación para el control de la contaminación del aire. http://www.bvsde.paho.org/cursoa_meteoro/lecc6/lecc6_3.html
– (3) Andalucía Digital (2018). Qué son inteligencia artificial, machine learning y deep learning. https://www.blog.andaluciaesdigital.es/deep-learning-inteligencia-artificial-y-machine-learning/
– Bouarar, I., Petersen, K., Granier, C., Xie, Y., Mijling, B., & van der Ronald, A. et al. (2017). Predicting air pollution in East Asia. Air Pollution In Eastern Asia: An Integrated Perspective, 387-403. doi: http://doi.org/c6jx
– Croitoru, C., & Nastase, I. (2018). A state of the art regarding urban air quality prediction models. E3S Web Of Conferences, 32, 01010. doi: http://doi.org/c6j4
– Larkin, A., & Hystad, P. (2017). Towards personal exposures: how technology is changing air pollution and health research. Current Environmental Health Reports, 4(4), 463-471. doi: http://doi.org/gfgpp9
– Lary, D., Lary, T., & Sattler, B. (2015). Using machine learning to estimate global PM2.5 for environmental health studies. Environmental Health Insights, 9s1, EHI.S15664. doi: http://doi.org/c6kc
– Li, X., Peng, L., Hu, Y., Shao, J., & Chi, T. (2016). Deep learning architecture for air quality predictions. Environmental Science And Pollution Research, 23(22), 22408-22417. doi: http://doi.org/f9cbbf
– Zhang, C., Yan, J., Li, C., Rui, X., Liu, L., & Bie, R. (2016). On estimating air pollution from photos using convolutional neural network. Proceedings Of The 2016 ACM On Multimedia Conference – MM ’16. doi: http://doi.org/c6kd
