Pronóstico espacial-temporal de la contaminación del aire en las ciudades de Arabia Saudita basado en un marco de...

Área de la Ciencia:

• Ciencias del medio ambiente
• Ciencia de los datos
• Salud pública

Sus antecedentes:

• La industrialización y las actividades económicas están aumentando la contaminación del aire a nivel mundial y en Arabia Saudita, lo que plantea riesgos para la salud.
• El modelado matemático de la contaminación del aire es esencial para la toma de decisiones medioambientales y de salud efectivas en Arabia Saudita.
• Las redes existentes de control de la calidad del aire requieren enfoques de modelado complementarios para una evaluación exhaustiva.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo basado en datos para el modelado temporal y espacial de la contaminación del aire en Arabia Saudita.
• Evaluar el rendimiento del algoritmo de Memoria Larga a Corto Plazo (LSTM, por sus siglas en inglés) frente a métodos de conjunto como Random Forest y XGBoost.
• Investigar la influencia de los factores meteorológicos en las concentraciones de contaminantes y su impacto en la precisión del modelo.

Principales métodos:

• Un enfoque basado en datos que utiliza registros históricos de contaminantes (PM10, PM2,5, CO, O3) y análisis de series temporales.
• Implementación de un algoritmo de aprendizaje profundo (DL) de memoria larga a corto plazo (LSTM) para el modelado temporal.
• El modelado espacial se centró en las principales ciudades saudíes y la comparación con los métodos de conjunto Random Forest (RF) y eXtreme Gradient Boosting (XGBoost).

Principales resultados:

• LSTM demostró un rendimiento superior en la predicción de las concentraciones de contaminantes atmosféricos, especialmente con conjuntos de datos más grandes, logrando valores de R2 de hasta 0,8073.
• LSTM capturó efectivamente relaciones complejas y ocultas en los datos, superando a RF y XGBoost en precisión predictiva.
• Los factores meteorológicos, incluida la temperatura ambiente, mostraron una asociación débil o moderada con los niveles de contaminantes, y su inclusión no mejoró significativamente la precisión predictiva del LSTM.

Conclusiones:

• El enfoque basado en LSTM desarrollado proporciona un modelado temporal y espacial preciso de la contaminación del aire en Arabia Saudita.
• Esta metodología basada en datos ofrece una herramienta valiosa para apoyar las decisiones de política medioambiental y de salud.
• El estudio destaca el potencial del aprendizaje profundo para el monitoreo y la gestión de la calidad del aire utilizando datos de series temporales históricas.