⚡ electrical engineering

Hourly Air Quality Forecasting Using Ensemble Learning: Insights from an Arid Urban Atmosphere

Este estudio desarrolla un sistema de pronóstico de la calidad del aire por hora basado en aprendizaje automático para Kerman, Irán, utilizando un proceso de preprocesamiento de múltiples etapas y modelos de árboles de ensamble para predecir eficazmente seis contaminantes de criterio, identificando al mismo tiempo patrones temporales clave y factores meteorológicos determinantes en un entorno urbano árido.

Autores originales: Abdullah Kaviani Rad, Mohammad Javad Nematollahi

Publicado 2026-07-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Abdullah Kaviani Rad, Mohammad Javad Nematollahi

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 autos, el polvo y productos químicos que pueden enfermarnos. Los científicos han intentado durante mucho tiempo predecir cuándo esta "sopa" se volverá demasiado espesa, de forma muy similar a como un pronosticador del tiempo predice la lluvia. Para hacer esto, utilizan dos herramientas principales: las matemáticas de la vieja escuela que intentan seguir cada reacción química (como rastrear cada gota de lluvia en una tormenta), y una herramienta más nueva y más inteligente llamada Aprendizaje Automático (Machine Learning). Piensa en el Aprendizaje Automático como un detective superinteligente que observa millones de pistas del pasado —como cómo sopló el viento ayer o qué tan caluroso estuvo el martes pasado— para adivinar qué hará el aire mañana. Esto es especialmente complicado en ciudades secas y polvorientas donde el aire se comporta de manera diferente a los lugares lluviosos. Si podemos predecir estos días de aire sucio, podemos advertir a las personas, especialmente a los niños y a los ancianos, para que se queden dentro y mantengan sus pulmones seguros.

Ahora, hagamos un acercamiento a una historia de detectives específica que ocurre en Kerman, una ciudad de Irán con un clima cálido y seco. Un equipo de investigadores decidió construir un sistema de pronóstico superinteligente para seis tipos diferentes de contaminación del aire: Monóxido de Carbono (CO), Ozono (O3), Óxidos de Nitrógeno (NO y NO2), Dióxido de Azufre (SO2) y diminutas partículas de polvo llamadas PM2.5. Recopilaron datos horarios desde 2020 hasta 2024, pero los datos estaban desordenados, como un rompecabezas con piezas faltantes. Primero, tuvieron que reparar los huecos. Probaron cinco formas diferentes de llenar los números faltantes, actuando como un detective que intenta adivinar cómo se veía una pieza faltante del rompecabezas basándose en las piezas que la rodeaban. Descubrieron que un método llamado "Extra Trees" era el mejor adivinador, llenando los espacios con una puntuación de precisión promedio (R²) de 0.843.

Una vez completado el rompecabezas, observaron los patrones. Descubrieron que la contaminación del aire en Kerman tiene un horario diario muy estricto, casi como un reloj. El Monóxido de Carbono (CO) y los Óxidos de Nitrógeno (NO, NO2) actúan como viajeros frecuentes; tienen picos dos veces al día, una vez en la hora pico de la mañana (alrededor de las 7:00–9:00 AM) y otra vez en la tarde-noche (alrededor de las 8:00–11:00 PM), alcanzando un máximo de aproximadamente 1.5 ppm para el CO. Esto se debe a que los autos son el principal culpable. El Ozono (O3), sin embargo, es un seguidor del sol. No le importa el tráfico; le encanta el sol. Se acumula lentamente en la mañana y alcanza su punto más alto en la tarde (alrededor de las 2:00–4:00 PM), llegando a unos 38–39 ppb, porque la luz solar cocina los químicos para crearlo. Mientras tanto, las diminutas partículas de polvo (PM2.5) actúan como invitados de invierno, apareciendo en grandes cantidades durante los meses fríos, alcanzando un máximo de 31.31 µg/m³ en enero, probablemente debido a la calefacción y al aire atrapado.

Para predecir estos patrones, los investigadores probaron siete algoritmos "detectives" diferentes. Encontraron que los modelos matemáticos simples de la vieja escuela (modelos lineales) eran a menudo demasiado tontos para captar los trucos complejos del aire. En cambio, los métodos "ensemble" —que son como un equipo de detectives trabajando juntos— ganaron siempre. Para la mayoría de los contaminantes, un modelo llamado Extra Trees fue el campeón, prediciendo correctamente el CO con una puntuación de 0.713 y el PM2.5 con 0.726. Otro equipo, Hist Gradient Boosting, fue el mejor para adivinar el Dióxido de Azufre (SO2) con una puntuación de 0.669. Para el Dióxido de Nitrógeno (NO2), un modelo llamado LightGBM tomó la delantera con una puntuación de 0.622.

Sin embargo, hubo un caso difícil: el Ozono. Aunque los modelos eran excelentes para adivinar el pasado, tuvieron dificultades para predecir el futuro del Ozono, a veces equivocándose tanto que su puntuación de precisión se volvía negativa. Los investigadores sugieren que esto se debe a que el Ozono es un mago químico que depende de una mezcla muy específica de luz solar y calor que los modelos actuales no capturaron por completo. También descubrieron que la pista más importante para predecir casi todo era simplemente "qué pasó hace una hora". El aire tiene memoria; si estaba sucio hace una hora, es probable que esté sucio ahora. Pero para el Ozono y el polvo, la dirección en la que soplaba el viento y la cantidad de luz solar también eran pistas críticas.

Al final, el artículo sugiere que, si bien aún no podemos predecir perfectamente cada truco químico que el aire nos juega, hemos construido una herramienta poderosa y rentable que funciona bien para la mayoría de los contaminantes en ciudades secas. Es una forma escalable de vigilar el aire, ayudando a ciudades como Kerman a dar mejores advertencias para proteger la salud pública. Los investigadores admiten que, para predecir mejor el Ozono, podrían necesitar añadir más pistas químicas a la mezcla en el futuro, pero por ahora, este sistema es un paso sólido hacia adelante para mantener el aire limpio y a la gente segura.

Resumen Técnico: Pronóstico Horario de la Calidad del Aire mediante Aprendizaje de Conjunto en una Atmósfera Urbana Árida

Planteamiento del Problema
La contaminación del aire en entornos urbanos áridos representa una amenaza crítica para la salud, aunque los marcos de pronóstico localizados y de alta resolución siguen siendo escasos. En Kerman, Irán, una ciudad caracterizada por un clima semiárido a árido, una rápida urbanización y un crecimiento industrial, la calidad del aire excede frecuentemente los estándares nacionales y las directrices de la OMS. La dinámica meteorológica única de las regiones áridas —específicamente la lluvia infrecuente que limita la deposición húmeda y la amplificación de las inversiones térmicas— crea condiciones atmosféricas complejas donde los contaminantes persisten y se acumulan. Si bien los modelos de transporte químico tradicionales ofrecen perspectivas mecanísticas, suelen ser computacionalmente intensivos y sensibles a las incertidumbres en el inventario de emisiones. Por el contrario, los enfoques de aprendizaje automático (ML) basados en datos han mostrado potencial, pero requieren validación dentro de contextos áridos específicos para abordar las relaciones no lineales entre las variables meteorológicas, los ciclos temporales y los niveles de contaminantes. Este estudio aborda la brecha de investigación en el desarrollo de un marco de modelado predictivo integral y localizado para la calidad del aire en Kerman.

Metodología
El estudio desarrolló un sistema de predicción basado en aprendizaje automático para las concentraciones horarias de seis contaminantes de criterio: monóxido de carbono (CO), ozono (O3), monóxido de nitrógeno (NO), dióxido de nitrógeno (NO2), dióxido de azufre (SO2) y material particulado (PM2.5). La investigación utilizó datos desde el 15 de junio de 2020 hasta el 19 de marzo de 2024, integrando concentraciones de contaminantes horarios de una estación de monitoreo de la ciudad con datos meteorológicos horarios reconstruidos de la estación sinóptica de Kerman.

La metodología siguió un proceso riguroso de múltiples etapas:

Preprocesamiento e Imputación: El conjunto de datos fue sometido a una sincronización temporal, convirtiendo las fechas persas a formatos gregorianos y realizando un remuestreo a un intervalo horario preciso. Para abordar los valores faltantes sin introducir sesgo estadístico, se compararon cinco métodos de imputación (Random Forest, Extra Trees, Bayesian Ridge, K-Nearest Neighbors y Regresión Lineal). El algoritmo Extra Trees fue seleccionado como el imputador óptimo basándose en el mayor $R^2$ promedio (0.843) y el menor RMSE.
Ingeniería de Características: El proceso codificó explícitamente el contexto temporal mediante la extracción de características basadas en el tiempo (hora, día de la semana, mes, etc.). Crucialmente, se generaron variables de retardo (t-1, t-2, t-3, t-24) tanto para los contaminantes como para las variables meteorológicas para capturar la autocorrelación temporal y la inercia atmosférica. También se crearon características de interacción.
Modelado y Evaluación: Se evaluaron siete modelos de regresión: Regresión Ridge, Extra Trees, Bayesian Ridge, Hist Gradient Boosting, Árbol de Decisión, LightGBM y Random Forest. Los datos se dividieron cronológicamente en conjuntos de entrenamiento y de prueba (hold-out) para asegurar una evaluación de generalización imparcial. El desempeño se midió mediante $R^2$ , RMSE y MAE.

Resultados Clave

Patrones Temporales: Se identificaron distintos patrones diurnos y estacionales. El CO y el NOx exhibieron picos bimodales durante las horas punta, mientras que el O3 mostró un máximo fotoquímico durante la tarde. Las concentraciones de PM2.5 alcanzaron su máximo en invierno (media: 31.31 µg/m³ en enero), atribuido a las emisiones por calefacción y a las condiciones atmosféricas estables.
Desempeño de los Modelos: Los métodos de conjunto basados en árboles superaron consistentemente a los modelos lineales para la mayoría de los contaminantes.
- CO, NO y PM2.5: Extra Trees alcanzó los valores de $R^2$ de prueba más altos (0.713 para CO, 0.320 para NO y 0.726 para PM2.5).
- SO2: Hist Gradient Boosting fue el que mejor desempeño tuvo ( $R^2$ = 0.669).
- NO2: LightGBM arrojó los mejores resultados ( $R^2$ = 0.622).
- O3: Todos los modelos demostraron una baja capacidad de generalización en el conjunto de prueba, resultando en valores de $R^2$ negativos. Esto indica que, a pesar de capturar los patrones de entrenamiento, los modelos no pudieron predecir los datos de O3 no observados, probablemente debido a las complejas interacciones fotoquímicas no lineales que no fueron totalmente capturadas por las variables disponibles.
Importancia de las Características: Las concentraciones de contaminantes con retardo (específicamente en t-1) fueron los predictores dominantes para todos los contaminantes, confirmando una fuerte autocorrelación temporal. Para el O3, las variables fotoquímicas (radiación solar y temperatura) y sus interacciones fueron críticas. Para el PM2.5, la dirección del viento emergió como un motor secundario, sugiriendo la influencia del transporte regional y eventos de polvo.

Significancia y Reivindicaciones
Los autores afirman que este estudio ofrece un marco escalable, rentable y replicable para el pronóstico operativo de la calidad del aire en ciudades áridas. Al integrar con éxito la imputación avanzada y el aprendizaje de conjunto, el marco proporciona una base para las advertencias de salud pública y la gestión ambiental en Kerman y zonas climáticas similares.

El documento reconoce modestamente las limitaciones, señalando que la baja generalización para el O3 resalta la necesidad de incorporar indicadores fotoquímicos específicos (como los niveles de VOC o las relaciones NO2/NO) que no estaban disponibles en el conjunto de datos. Además, la dependencia de una sola estación meteorológica limita la representación de la heterogeneidad espacial. En consecuencia, los autores no pretenden que el modelo sea una solución perfecta para todos los contaminantes, sino más bien un punto de partida robusto que captura eficazmente la dinámica de los contaminantes primarios (CO, NOx, PM2.5, SO2) al tiempo que identifica áreas específicas para el refinamiento futuro en el modelado fotoquímico. El estudio concluye que los métodos de conjunto son superiores a los enfoques lineales para capturar las complejas interacciones no lineales que rigen la dinámica de los contaminantes atmosféricos en entornos urbanos áridos.

Más como este