Modelos neuronales profundos de la calidad del aire en la zona metropolitana de Tula, Hidalgo
DOI:
https://doi.org/10.36825/RITI.13.29.010Palabras clave:
Calidad del Aire, Aprendizaje Profundo, Inteligencia Artificial, Contaminación Atmosférica, Monitorización AmbientalResumen
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
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista de Investigación en Tecnologías de la Información

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.