Evaluación de Modelos de Aprendizaje Profundo para Predecir la Concentración de Contaminantes del Aire en Entornos Urbanos

La contaminación del aire es un problema de gran preocupación a nivel mundial debido a los riesgos para la salud de la humanidad, los animales y los ecosistemas. Por un lado, los sistemas de monitoreo de la calidad del aire permiten determinar el nivel de concentración de contaminantes del aire y los riesgos para la salud mediante un índice de calidad del aire (AQI). Por otro lado, las predicciones futuras precisas de los niveles de concentración de contaminantes del aire pueden proporcionar información valiosa para la toma de decisiones basada en datos para reducir los riesgos para la salud por la exposición a corto y largo plazo cuando los indicadores superan los límites permisibles. En este documento, se evalúan cinco arquitecturas de aprendizaje profundo para predecir la concentración de contaminantes de material particulado (en sus fracciones PM2.5 y PM10) y monóxido de carbono (CO) en horas consecutivas. Los modelos de predicción propuestos se basan en redes neuronales recurrentes (RNN), memoria a corto y largo plazo (LSTM), LSTM vanilla, LSTM apilado, Bi-LSTM y redes LSTM de codificador-decodificador. Además, se presenta una metodología para guiar la construcción del modelo de predicción, que abarca el procesamiento de datos en bruto, el diseño y la optimización del modelo, y el entrenamiento, la prueba y la evaluación de la red neuronal. Los resultados subrayan la precisión y fiabilidad del modelo LSTM apilado en la predicción del nivel de concentración horario para PM2.5, con un RMSE de 3.4538 μg/m3. De manera similar, el modelo LSTM de codificador-decodificador predice con precisión el nivel de concentración para PM10 y CO, con un RMSE de 3.2606 μg/m3 y 2.1510 ppm, respectivamente. Estas evaluaciones, con sus diferencias mínimas en métricas de error y coeficiente de determinación, validan la efectividad y superioridad de los modelos de aprendizaje profundo sobre otros modelos de referencia, infundiendo confianza en su potencial.