Un estudio liderado por la investigadora Bing Gong de la Universidad Politécnica de Madrid (UPM) ha logrado predecir con éxito, y a corto plazo, las superaciones máximas diarias del umbral de ozono en el área de Hong Kong (China). Los resultados, publicados en la revista Environmental Modelling & Software, resultan de interés en un contexto en el que la predicción precisa y rápida de las concentraciones de ozono troposférico resulta fundamental para el manejo del sistema público de alerta de contaminación.
La noticia llega varios años después de los esfuerzos para que internet de las cosas o inteligencia artificial se ocupe de controlar el tráfico, como ya se ha probado con éxito en ciudades como Hamburgo. Investigadores de la Universidad de Southampton trabajan hace años en el uso de la inteligencia artificial para el control de los semáforos, con la esperanza de obtener el control de tráfico vehicular de la próxima generación. Para el efecto, utilizan videojuegos y simulaciones por computador para evaluar los diferentes sistemas de control de tráfico, encontrando que los seres humanos hacemos un trabajo muy bueno, lo que condujo a intentar emularlo con aprendizaje automático. Si todos los vehículos estuvieran equipados con WiFi y GPS, se abriría aún más el camino para investigación. Un sistema asi podría evitar accidentes y en eliminar congestiones.
En los últimos años el problema de la contaminación atmosférica, por elementos nocivos como el ozono, 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.
Inteligencia artificial y preprocesamiento
Para hacer frente a la dificultad de predicción de los valores más elevados, una investigadora del grupo Proyectos y Calidad de la UPM ha desarrollado una metodología que combina el preprocesamiento 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.
Según Gong, “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 en los que se abordan problemáticas similares en otras ciudades como Marrakech o Ciudad de Méjico. Además, los investigadores están 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”.
Referencia bibliográfica:
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.
