📄 earth_science

An air quality, meteorological and traffic spatio-temporal annotated data set

Este artículo presenta un conjunto de datos espacio-temporales horarios de seis años de Madrid que integra datos de calidad del aire, meteorología y tráfico de más de 5.000 sensores para apoyar la investigación ambiental y de movilidad urbana.

Autores originales: David Maria-Arribas, Alejandra Abalo-García, Antonio S. Montemayor, Juan J. Pantrigo, Alfredo Cuesta-Infante

Publicado 2026-07-22

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: David Maria-Arribas, Alejandra Abalo-García, Antonio S. Montemayor, Juan J. Pantrigo, Alfredo Cuesta-Infante

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que el aire que nos rodea es como una sopa gigante e invisible. A veces esta sopa es clara y fresca, pero otras veces se vuelve espesa con ingredientes invisibles como el escape de los coches, el polvo de los neumáticos y el humo de las fábricas. Esto es lo que los científicos llaman "contaminación del aire". Pero esta sopa no se queda ahí quieta; cambia constantemente. El viento puede soplar para alejar el smog, o una lluvia intensa puede lavarlo. El sol puede calentarla, haciendo que reaccione de nuevas maneras. Esto es la "meteorología", o el estudio del clima. ¿Y qué es lo que más remueve la sopa? Nosotros. Específicamente, nuestros coches. Cuando el tráfico es intenso, la sopa se vuelve más espesa con la contaminación; cuando las carreteras están vacías, se limpia. Esta es la conexión entre el "tráfico" y la "calidad del aire".

Durante mucho tiempo, los científicos han intentado comprender esta relación, pero a menudo tenían que observar los ingredientes por separado. Podían tener una receta para el clima, una lista de la contaminación y un registro del tráfico, pero estas listas a menudo estaban escritas en diferentes idiomas, a diferentes velocidades y para diferentes lugares. Es como intentar hornear un pastel cuando tu harina se mide en tazas, tu azúcar en gramos y tus huevos en docenas, todo escrito en diferentes trozos de papel de distintos años. Para entender realmente cómo respiran nuestras ciudades, necesitamos mezclar estos ingredientes en una única receta perfecta y sincronizada. Eso es exactamente lo que ha hecho este nuevo estudio.

El artículo presenta una nueva y masiva colección digital llamada METRAQ, que actúa como una gigantesca biblioteca de viajes en el tiempo para la ciudad de Madrid, España. Piensa en ello como un cuaderno de detective súper organizado que reúne tres historias diferentes que antes se contaban por separado: la historia del aire, la historia del clima y la historia del tráfico. Los investigadores recopilaron datos del portal oficial de datos abiertos de la ciudad, excavando en registros que se remontan a 2001 para la calidad del aire, 2015 para el tráfico y 2019 para el clima.

La magia de METRAQ no es solo que tiene muchos datos; es cómo encaja las piezas. El equipo tomó millones de mediciones y las obligó a hablar el mismo idioma. Alinearon todo a la misma hora exacta y al mismo lugar. Imagina una cuadrícula de miles de pequeños sensores esparcidos por la ciudad. En cada hora del día, METRAQ te dice exactamente cómo olía el aire, qué estaba haciendo el clima y cuántos coches pasaban zumbando por ese punto específico. El resultado es un conjunto de datos que cubre 72 meses (seis años) donde las tres historias se superponen perfectamente.

Dentro de esta biblioteca digital, puedes encontrar 14 tipos diferentes de contaminantes del aire (como los gases invisibles del escape de los coches y las diminutas partículas de polvo de los neumáticos), 7 variables meteorológicas diferentes (como la velocidad del viento, la temperatura y cuánto llovió) e información de tráfico derivada de más de 5.000 sensores. Los investigadores no se limitaron a copiar y pegar; limpiaron los datos, comprobaron si había errores e incluso llenaron los huecos faltantes. Si un sensor se averió durante una hora, utilizaron las matemáticas para adivinar cuál habría sido probablemente el valor, marcando esas suposiciones claramente para que nadie se confunda. Incluso descubrieron cómo estimar los niveles de tráfico en lugares donde no había sensores de tráfico, utilizando los datos de los sensores cercanos para pintar un cuadro completo.

El artículo no se limita a decir: "Aquí están los datos". También demuestra que los datos funcionan. Los autores realizaron varias pruebas para ver si este nuevo conjunto de datos podía ayudar a las computadoras a aprender a predecir el futuro. Intentaron adivinar cómo sería la calidad del aire mañana basándose en los datos de hoy, e intentaron adivinar cuál era la calidad del aire en un punto específico cuando el sensor allí estaba roto. En estas pruebas, el conjunto de datos funcionó bien, demostrando que es una herramienta fiable para científicos y programas informáticos.

Entonces, ¿cuál es la gran conclusión? El artículo sugiere que, al combinar los datos del aire, el clima y el tráfico en un paquete sincronizado y de alta calidad, finalmente podemos estudiar la calidad del aire urbano con una precisión mucho mayor. No afirma haber resuelto la contaminación del aire para siempre, pero proporciona el mejor mapa y brújula posibles para cualquiera que intente navegar la compleja relación entre nuestros coches, nuestro clima y el aire que respiramos. Convierte un montón desordenado de notas separadas en una historia única y coherente que puede ayudarnos a construir ciudades más limpias y saludables.

Resumen Técnico: METRAQ – Un conjunto de datos anotado espacio-temporal de calidad del aire, meteorología y tráfico

Planteamiento del problema
La calidad del aire urbano es un fenómeno complejo impulsado por la interacción entre la contaminación del aire, las condiciones meteorológicas y la actividad del tráfico. Aunque existen conjuntos de datos individuales para estos dominios, hay una falta de conjuntos de datos integrados, a largo plazo y espacio-temporales que alineen estas fuentes heterogéneas en una resolución y ubicación comunes. Los conjuntos de datos existentes suelen sufrir de una cobertura temporal limitada, carecen de datos de tráfico o poseen una resolución temporal gruesa (por ejemplo, agregados diarios), lo que dificulta el desarrollo de modelos robustos para la evaluación de la calidad del aire urbano, el análisis de la exposición y la previsión espacio-temporal.

Metodología
Los autores presentan METRAQ, un conjunto de datos curado construido mediante un flujo de trabajo de Extracción–Carga–Transformación (ELT) utilizando datos abiertos del Ayuntamiento de Madrid, España. La metodología consta de tres etapas principales:

Extracción y carga de datos:
- Fuentes: Se extrajeron datos de calidad del aire (horarios, desde 2001), datos meteorológicos (horarios, desde 2019) y datos de tráfico (intervalos de 15 minutos, desde 2015) del Portal de Datos Abiertos de Madrid.
- Normalización: Los archivos CSV originales de formato diario ancho (que contienen 24 campos horarios por fila) se transformaron en un formato "largo" donde cada fila representa una observación única indexada por estación, magnitud y marca de tiempo.
- Preservación de la validez: Se preservaron las banderas de validez originales. Un paso secundario de control de calidad aplicó límites de plausibilidad física (por ejemplo, $T \ge -55^\circ C$ , $AP \ge 700$ mb) para marcar los valores físicamente imposibles como inválidos.
Imputación y aumentación de datos:
- Imputación temporal: Para las series de calidad del aire y meteorológicas, se identificaron los valores horarios faltantes. Si una serie de estación-magnitud-año tenía al menos un 50% de datos válidos, los valores faltantes se completaron mediante interpolación lineal bidireccional.
- Interpolación espacial (Meteorología): Las variables meteorológicas se asignaron a las ubicaciones de las Estaciones de Control de Calidad del Aire (AQMS). Si una estación estaba co-localizada, se copiaron los valores; de lo contrario, los valores se estimaron mediante Kriging Ordinario (si había $\ge 12$ estaciones), Interpolación por Distancia Inversa (si había $\ge 4$ estaciones) o interpolación de vecino más cercano.
- Aumentación de tráfico: Los datos de tráfico de 5.027 sensores se agregaron a una resolución horaria y se interpolaron espacialmente a las ubicaciones de las AQMS. Se generaron cinco variantes de interpolación para tres variables de tráfico (Intensidad, Ocupación, Velocidad Media): Funciones de Base Radial (Multicuadrática, Gaussiana, Lineal), Interpolación por Distancia Inversa y Kriging Ordinario.
Ensamblaje del conjunto de datos:
- El conjunto de datos final consta de 24 archivos CSV anuales (2001–2024) que contienen 64.881.744 filas.
- Incluye 36 magnitudes: 14 contaminantes de calidad del aire, 7 variables meteorológicas y 15 variables derivadas del tráfico (3 variables base $\times$ 5 métodos de interpolación).
- Una bandera (is_interpolated) distingue entre valores observados y generados.

Contribuciones clave
El artículo reclama cuatro contribuciones principales:

Integración a largo plazo: Un conjunto de datos unificado que cubre calidad del aire, meteorología y tráfico para Madrid, con una intersección temporal de 72 meses (2019–2024) y datos de calidad del aire que se remontan a 2001.
Estructura centrada en estaciones: Un conjunto de datos de resolución horaria que alinea 14 contaminantes, 7 parámetros meteorológicos y variables de tráfico derivadas de más de 5.000 sensores a ubicaciones específicas de las AQMS.
Intersección temporal: Una superposición de 6 años (72 meses) de las tres fuentes de datos, lo que facilita el análisis conjunto de la calidad del aire urbano y la movilidad.
Validación técnica: Los autores proporcionan flujos de trabajo de validación técnica de base para la previsión multivariante, la imputación temporal y la imputación espacial para demostrar la utilidad y reproducibilidad del conjunto de datos.

Resultados y validación técnica
El artículo no propone nuevos modelos predictivos, sino que valida la utilidad del conjunto de datos mediante experimentos de base:

Previsión (Forecasting): Utilizando el sensor 28079008 y 8 contaminantes (2010–2024), se probó el conjunto de datos con modelos que incluyen iTransformer, TimeMixer, TimeXer, MLP y XGBoost. Los resultados (MSE/MAE) se proporcionan para longitudes de predicción de 96, 192, 336 y 720 horas.
Imputación temporal: Utilizando la misma configuración, se introdujeron tasas de error del 12,5% al 50%. Los métodos probados incluyeron TimesNet, Transformer, interpolación lineal y Autoformer. TimesNet generalmente superó a los demás a través de las tasas de error.
Imputación espacial: Utilizando datos de NO2 de 2019, se estimó el valor en una estación no utilizada para la prueba (28079035) utilizando datos de otras estaciones. La Interpolación por Distancia Inversa (IDW) logró el MSE más bajo (0,147) en comparación con los métodos RBF y Kriging.
Descomposición: El artículo incluye un análisis MSTL (Descomposición de tendencia y estacionalidad múltiple mediante LOESS) de las series de contaminantes promediadas diariamente, revelando tendencias a largo plazo y componentes de estacionalidad semanal/anual.

Significancia
Los autores posicionan a METRAQ como un recurso para apoyar estudios de calidad del aire urbano, evaluación de la exposición, contaminación relacionada con el tráfico y modelado espacio-temporal en entornos urbanos densos. Al armonizar fuentes de datos públicos heterogéneos en una resolución temporal común y una estructura centrada en estaciones, el conjunto de datos pretende llenar el vacío entre los conjuntos de datos "amplios" de múltiples ciudades y los conjuntos de datos "profundos" de una sola ciudad con integración de variables limitada. La inclusión de banderas de validez e indicadores de interpolación permite a los investigadores distinguir entre datos observados y derivados, apoyando una reproducibilidad rigurosa. El conjunto de datos se publica bajo una licencia CC-BY 4.0 con el código de acompañamiento para la integración con PyTorch.

Más como este