Resumen

La contaminación del aire exterior cuesta millones de muertes prematuras al año, sobre todo debido a las partículas finas antropogénicas (o PM2,5). Quito, la capital de Ecuador, no es una excepción a la hora de superar los niveles saludables de contaminación. Además del impacto de la urbanización, la motorización y el rápido crecimiento de la población, la contaminación por partículas está modulada por factores meteorológicos y características geofísicas, que complican la aplicación de los modelos más avanzados de predicción meteorológica. Así pues, este artículo propone un enfoque de aprendizaje automático basado en seis años de análisis de datos meteorológicos y de contaminación para predecir las concentraciones de PM2,5 a partir del viento (velocidad y dirección) y los niveles de precipitación. Los resultados del modelo de clasificación muestran una alta fiabilidad en la clasificación de concentraciones bajas (<10 µg/m3) frente a altas (>25 µg/m3) y bajas (<10 µg/m3) frente a moderadas (10-25 µg/m3) de PM2.5. Un análisis de regresión sugiere una mejor predicción de PM2,5 cuando las condiciones climáticas son más extremas (fuertes vientos o altos niveles de precipitaciones). La alta correlación entre los datos estimados y los reales en un análisis de series temporales durante la estación húmeda confirma este hallazgo. El estudio demuestra que el uso de modelos estadísticos basados en el aprendizaje automático es pertinente para predecir las concentraciones de PM2,5 a partir de datos meteorológicos.

• Materias:Ingeniería electrónica Redes Inalámbricas Ingeniería Eléctrica Procesamiento de señales asistido por computador Sistemas de comunicación Informática
• Subjects:Electronic engineering Wireless Networks Electrical Engineering Signal processing computer-assisted Communication systems Computing
• Palabras claves:pm2,5, partículas finas antropogénicas, contaminación del aire exterior, análisis de datos sobre contaminación, crecimiento rápido de la población, análisis de series temporales, concentraciones, concentraciones de pm2,5, modelos avanzados, mejor predicción
• Keywords:pm2.5, anthropogenic fine particulate matter, outdoor air pollution, pollution data analyses, rapid population growth, time series analysis, concentrations, pm2.5 concentrations, advanced models, better prediction