Modelos neuronales profundos de la calidad del aire en la zona metropolitana de Tula, Hidalgo

Autores/as

DOI:

https://doi.org/10.36825/RITI.13.29.010

Palabras clave:

Calidad del Aire, Aprendizaje Profundo, Inteligencia Artificial, Contaminación Atmosférica, Monitorización Ambiental

Resumen

En las últimas décadas la creciente urbanización y desarrollo industrial han sido pilar para el desarrollo de zonas metropolitanas, lo que ha representado  un incremento en la producción y emisión de gases de efecto invernadero. Esta situación ha contribuido a incrementar  la contaminación del aire y ha dado lugar a una situación ambiental desfavorable que podría afectar a los ecosistemas, a la población y a la vida en general, por tanto, requiere la construcción de estrategias preventivas. Por lo anterior, se desarrollaron 2 modelos de inteligencia artificial para predecir  la calidad del aire en la Zona Metropolitana de Tula (ZMT), mediante algoritmos de clasificación y regresión con redes neuronales de aprendizaje profundo. Se aplicó la metodología CRISP-DM, considerando la ZMT como productor del 90% de contaminación en Hidalgo, se realizó entendimiento de datos y su preparación, previo al modelado y validación de cada uno. Aplicando métricas de evaluación se obtuvo una coeficiente de determinación r2 de .99, pérdida de 0.088 para el modelo de  regresión, para el de clasificación .93 de exactitud, precisión de .88 y F1-score de .81. Ambos modelos lograron representar el fenómeno de la calidad del aire y predecir de manera eficiente.

Citas

World Health Organization: WHO. (2023). Cambio climático. https://www.who.int/es/news-room/fact-sheets/detail/climate-change-and-health

Benito Lozano, M., Rodríguez González, S. (2023, 16 noviembre). La imperiosa necesidad de programar la asistencia a urgencias, atendiendo al cambio climático y las crisis de calidad del aire. Revista Española de Urgencias y Emergencias, 2, 194-197. https://digital.csic.es/handle/10261/339047

Li, X., Peng, L., Hu, Y., Shao, J., Chi, T. (2016). Deep learning architecture for air quality predictions. Environmental Science and Pollution Research, 23, 22408–22417. https://doi.org/10.1007/s11356-016-7812-9

South China Morning Post. (2021). Air pollution kills 7 million a year, says WHO as it tightens guidelines. https://www.scmp.com/news/world/europe/article/3149735/air-pollution-kills-7-million-year-says-who-it-tightens

Wang, J., Li, J., Wang, X., Wang, J., Huang, M. (2020). Air quality prediction using CT-LSTM. Neural Computing And Applications, 33 (10), 4779-4792. https://doi.org/10.1007/s00521-020-05535-w

Chen, H., Guan, M., Li, H. (2021). Air Quality Prediction Based on Integrated Dual LSTM Model. IEEE Access, 9, 93285-93297. https://doi.org/10.1109/ACCESS.2021.3093430

Zou, X., Zhao, J., Zhao, D., Sun, B., He, Y., Fuentes, S. (2021). Air Quality Prediction Based on a Spatiotemporal Attention Mechanism. Mobile Information Systems, 2021 (1), 1-12. https://doi.org/10.1155/2021/6630944

Hamami, F., Dahlan, I. A. (2022). Air Quality Classification in Urban Environment using Machine Learning Approach. IOP Conference Series Earth and Environmental Science. https://doi.org/10.1088/1755-1315/986/1/012004

Chakma, A., Vizena, B., Cao, T., Lin, J., Zhang, J. (2017). Image-based air quality analysis using deep convolutional neural network. IEEE International Conference on Image Processing (ICIP). Beijing, China. http://doi.org/10.1109/ICIP.2017.8297023

Ruiz Muñoz, G. F., Vasco Delgado, J. C. (2025). Integración de las tecnologías de la información y la comunicación (TIC) e inteligencia artificial (IA) en la formación docente. Revista de Investigación en Tecnologías de la Información, 13 (29), 60-70. https://doi.org/10.36825/RITI.13.29.006

Zhang, M., Wu, D., Xue, R. (2021). Hourly prediction of PM2.5 concentration in Beijing based on Bi-LSTM neural network. Multimedia Tools Applications, 80, 24455–24468. https://doi.org/10.1007/s11042-021-10852-w

Qiu, W., Zhou, Y., He, H., Wang, B., Mu, G., Zhou, M., Ma., J., Zhang, Z., Cao, L., Xiao, L., Yuan, J., Chen, W. (2021). Short-term effects of air pollution on liver function among urban adults in China. Atmospheric Environment, 245. https://doi.org/10.1016/j.atmosenv.2020.118011

Zhao, F., Liang, Z., Zhang, Q., Seng, D., Chen, X. (2021). Research on PM2.5 Spatiotemporal Forecasting Model Based on LSTM Neural Network. Computational Intelligence and Neuroscience, 2021 (1), 1-10. https://doi.org/10.1155/2021/1616806

Wang, J., Li, X., Jin, L., Li, J., Sun, Q., Wang, H. (2022). An air quality index prediction model based on CNN-ILSTM. Scientific Reports, 12 (8373), 1-16. https://doi.org/10.1038/s41598-022-12355-6

Han, Y., Zhang, Q., Li, V. O. K., Lam, J. C. K. (2021). Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities. arXiv preprint. https://arxiv.org/abs/2103.14587

Zhang, Q., Lam, J. C. K., Li, V. O. K., Han, Y. (2020). Deep-AIR: A Hybrid CNN-LSTM Framework for Fine-Grained Air Pollution Forecast. arXiv preprint. https://arxiv.org/abs/2001.11957

Tiwari, A., Gupta, R., Chandra, R. (2021). Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown. arXiv preprint. https://arxiv.org/abs/2102.10551

Sarmiento Sánchez, C. A. (2024). Predicción de Contaminantes Atmosféricos en Bogotá utilizando Redes LSTM. Ingenio Tecnológico. Revista de Ingeniería, 6 (E051), 1-26. https://ingenio.frlp.utn.edu.ar/index.php/ingenio/article/view/108

Mengara Mengara, A. G., Park, E., Jang, J., Yoo, Y. (2022). Attention-Based Distributed Deep Learning Model for Air Quality Forecasting. Sustainability, 14 (6), 1-34. https://doi.org/10.3390/su14063269

Buestán Andrade, P. A., Carrión Zamora, P. E., Chamba Lara, A. E., Pazmiño Piedra, J. P. (2025). A comprehensive evaluation of ai techniques for air quality index prediction: RNNs and transformers. Ingenius, (33), 60-75. https://doi.org/10.17163/ings.n33.2025.06

Zaini, N. A., Ean, L. W., Ahmed, A. N., Malek, M. A. (2022). A systematic literature review of deep learning neural network for time series air quality forecasting. Environmental Science and Pollution Research, 29 (4), 4958-4990. https://doi.org/10.1007/s11356-021-17442-1

Abirami, S., Chitra, P. (2021). Regional air quality forecasting using spatiotemporal deep learning. Journal of Cleaner Production, 283. https://doi.org/10.1016/j.jclepro.2020.125341

Khan, H., Tso, J., Nguyen, N., Kaushal, N., Malhotra, A., Rehman, N. (2024). Novel Approach for Predicting the Air Quality Index of Megacities through Attention-Enhanced Deep Multitask Spatiotemporal Learning. arXiv preprint. https://arxiv.org/abs/2407.11283

Méndez, M., Merayo, M. G., Núñez, M. (2023). Machine learning algorithms to forecast air quality: a survey. Artificial Intelligence Review, 56, 10031–10066. https://doi.org/10.1007/s10462-023-10424-4

Descargas

Publicado

2025-05-12

Cómo citar

Barrera Cervantes, L. F., & Moreno Gutierrez, S. S. (2025). Modelos neuronales profundos de la calidad del aire en la zona metropolitana de Tula, Hidalgo. Revista De Investigación En Tecnologías De La Información, 13(29), 109–124. https://doi.org/10.36825/RITI.13.29.010

Número

Sección

Artículos