Redes neuronales para modelado y predicción de polución en entornos urbanos

Abstract

La contaminación atmosférica es uno de los principales factores de riesgo ambiental para la salud humana. Las partículas finas (PM2,5), el dióxido de nitrógeno (NO2) y el ozono (O3) se encuentran entre los contaminantes responsables de la mayoría de las muertes prematuras asociadas a la contaminación del aire. Por lo tanto, la predicción de sus concentraciones es de gran importancia para la salud humana. En este proyecto de grado se propone un enfoque basado en aprendizaje profundo para la predicción de contaminantes atmosféricos utilizando datos multivariantes. Se desarrollan modelos codificador–decodificador basados en redes Long Short-Term Memory (LSTM) para capturar dependencias temporales, y un modelo espaciotemporal que integra redes convolucionales sobre grafos (GCN) con LSTM para modelar relaciones espaciales entre estaciones de monitoreo. El enfoque se evalúa utilizando datos abiertos de la red de monitoreo de calidad del aire de Madrid, que incluyen observaciones horarias de PM2,5, NO2 y O3, junto con otros contaminantes y variables meteorológicas. El desempeño de los modelos se evalúa mediante Mean Absolute Error (MAE) y Root Mean Squared Error (RMSE), y se compara con un modelo base de perceptrón multicapa. Los resultados mostraron que los modelos propuestos superaron al modelo base utilizado como referencia. En el horizonte de una hora, LSTM logró reducciones del MAE de hasta 58 %. En el horizonte de 24 horas, GCN–LSTM obtuvo el mejor desempeño global con errores hasta un 50% menores respecto al modelo base.