Viabilidad e implicaciones de la Inteligencia Artificial para la estimación de la calidad del aire en España
DOI:
https://doi.org/10.59192/mapping.492Palabras clave:
Inteligencia artificial, NO2, TROPOMI, aprendizaje automático, calidad del aireResumen
Este estudio analiza el potencial de la inteligencia artificial (IA) para mejorar la estimación de la calidad del aire en España, con énfasis en el dióxido de nitrógeno (NO2), uno de los contaminantes más vinculados a la movilidad urbana y a efectos adversos sobre la salud. La investigación se centra en la Comunidad de Madrid, que dispone de la red de vigilancia más completa del país y constituye un entorno idóneo para evaluar el rendimiento de modelos basados en aprendizaje automático. Se integran observaciones del sensor TROPOMI (Sentinel-5P) con variables meteorológicas procedentes tanto de estaciones de superficie como del reanálisis ERA5-Land, empleando diferentes configuraciones espaciales y dos familias de modelos: algoritmos basados en árboles de decisión (Random Forest y XGBoost) y redes neuronales artificiales. Los mejores resultados se obtuvieron mediante redes neuronales combinadas con clústeres espaciales coherentes, alcanzando precisiones superiores a estudios previos y demostrando la capacidad de la IA para reproducir la variabilidad espacio-temporal del NO2 incluso en entornos heterogéneos. El trabajo evidencia que, bajo un diseño metodológico adecuado, la IA puede complementar las redes de vigilancia tradicionales, ofrecer estimaciones fiables en áreas con escasa infraestructura y constituir una herramienta estratégica para afrontar las nuevas exigencias normativas y la transición hacia sistemas de monitorización más flexibles y escalables.
Descargas
Citas
Balamurugan, V., Chen, J., Wenzel, A., Keutsch, F.N., 2023. Spatiotemporal modeling of air pollutant concentrations in Germany using machine learning. Atmos. Chem. Phys 23, 10267–10285. https://doi.org/10.5194/acp-23-10267-2023
Breiman, L., 2001. Random forests. Mach. Learn. 45, 5–32. https://doi.org/10.1023/A:1010933404324/METRICS
Cao, E.L., 2023. National ground-level NO2 predictions via satellite imagery driven convolutional neural networks. Front. Environ. Sci. 11, 1285471. https://doi.org/10.3389/FENVS.2023.1285471/BIBTEX
Cedeno Jimenez, J.R., Pugliese Viloria, A. de J., Brovelli, M.A., 2023. Estimating Daily NO2 Ground Level Concentrations Using Sentinel-5P and Ground Sensor Meteorological Measurements. ISPRS Int. J. Geo-Information 12, 107. https://doi.org/10.3390/ijgi12030107
Chan, K.L., Khorsandi, E., Liu, S., Baier, F., Valks, P., 2021. Estimation of Surface NO2 Concentrations over Germany from TROPOMI Satellite Observations Using a Machine Learning Method. Remote Sens. 2021, Vol. 13, Page 969 13, 969. https://doi.org/10.3390/RS13050969
Chen, T., Guestrin, C., 2016. XGBoost: A scalable tree boosting system. Proc. ACM SIGKDD Int. Conf. Knowl. Discov. Data Min. 13-17-August-2016, 785–794. https://doi.org/10.1145/2939672.2939785;CSUBTYPE:STRING:CONFERENCE
City of Madrid, 2025a. Hourly air quality data since 2001 [WWW Document]. URL https://datos.madrid.es/portal/site/egob/menuitem.c05c1f754a33a9fbe4b2e4b284f1a5a0/?vgnextoid=f3c0f7d512273410VgnVCM2000000c205a0aRCRD&vgnextchannel=374512b9ace9f310VgnVCM100000171f5a0aRCRD&vgnextfmt=default (accessed 11.20.25).
City of Madrid, 2025b. Hourly meteorological data since 2019 [WWW Document]. URL https://datos.madrid.es/sites/v/index.jsp?vgnextoid=fa8357cec5efa610VgnVCM1000001d4a900aRCRD&vgnextchannel=374512b9ace9f310VgnVCM100000171f5a0aRCRD (accessed 11.20.25).
Community of Madrid, 2025a. Hourly air quality data since 2005 [WWW Document]. URL https://datos.comunidad.madrid/dataset/calidad_aire_datos_historico (accessed 11.20.25).
Community of Madrid, 2025b. Hourly meteorological data since 2020 [WWW Document]. URL https://datos.comunidad.madrid/catalogos/#/dataset/calidad_aire_datos_meteo_historico/?view=info (accessed 11.20.25).
Das, B.P., Pathan, M.S., Lee, Y.H., Dev, S., 2021. Estimating Ground-level Nitrogen Dioxide Concentration from Satellite Data. Prog. Electromagn. Res. Symp. 2021-November, 1176–1182. https://doi.org/10.1109/PIERS53385.2021.9694752
Earth Engine Data Catalog, 2024. Sentinel-5P OFFL NO2: Offline Nitrogen Dioxide [WWW Document]. URL https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S5P_OFFL_L3_NO2#description (accessed 4.17.23).
Friedman, J.H., 2001. Greedy function approximation: A gradient boosting machine. https://doi.org/10.1214/aos/1013203451 29, 1189–1232. https://doi.org/10.1214/AOS/1013203451
Khomenko, S., Cirach, M., Pereira-Barboza, E., Mueller, N., Barrera-Gómez, J., Rojas-Rueda, D., de Hoogh, K., Hoek, G., Nieuwenhuijsen, M., 2021. Premature mortality due to air pollution in European cities: a health impact assessment. Lancet Planet. Heal. 5, e121–e134. https://doi.org/10.1016/S2542-5196(20)30272-2
Morillas, C., Álvarez, S., Pires, J.C.M., García, A.J., Martínez, S., 2025. Linking Satellite and Ground Observations of NO2 in Spanish Cities: Influence of Meteorology and O3. Nitrogen (Switzerland) 6, 32. https://doi.org/10.3390/NITROGEN6020032/S1
Morillas, C., Alvarez, S., Serio, C., Masiello, G., Martinez, S., 2024. TROPOMI NO2 Sentinel-5P data in the Community of Madrid: A detailed consistency analysis with in situ surface observations. Remote Sens. Appl. Soc. Environ. 33, 101083. https://doi.org/10.1016/J.RSASE.2023.101083
Muñoz Sabater, J., 2019. ERA5-Land hourly data from 1950 to present. https://doi.org/10.24381/cds.e2161bac
Van Geffen, J.H.G.M., Eskes, H.J., Boersma, K.F., Maasakkers, J.D., Veefkind, J.P., 2019. TROPOMI ATBD of the total and tropospheric NO2 data products.
Veefkind, J.P., Aben, I., McMullan, K., Förster, H., de Vries, J., Otter, G., Claas, J., Eskes, H.J., de Haan, J.F., Kleipool, Q., van Weele, M., Hasekamp, O., Hoogeveen, R., Landgraf, J., Snel, R., Tol, P., Ingmann, P., Voors, R., Kruizinga, B., Vink, R., Visser, H., Levelt, P.F., 2012. TROPOMI on the ESA Sentinel-5 Precursor: A GMES mission for global observations of the atmospheric composition for climate, air quality and ozone layer applications. Remote Sens. Environ. 120, 70–83. https://doi.org/10.1016/J.RSE.2011.09.027
World Health Organization (WHO), 2021. WHO global air quality guidelines, Particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide.
Xing, J., Baek, B.H., Li, S., Wang, C.T., Song, G., Ma, S., Zheng, S., Liu, C., Tong, D., Woo, J.H., Liu, T.Y., Fu, J.S., 2024. A Physically Constrained Deep-Learning Fusion Method for Estimating Surface NO2 Concentration from Satellite and Ground Monitors. Environ. Sci. Technol. 58, 21218–21228. https://doi.org/10.1021/ACS.EST.4C07341
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2026 Revista MAPPING
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
