Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTM
Contenido principal del artículo
Resumen
Esta investigación presenta el desarrollo e implementación de modelos basados en redes LSTM para predecir los niveles de contaminantes atmosféricos en Bogotá, utilizando datos de la estación meteorológica de Las Ferias, parte de la Red de Monitoreo de Calidad del Aire de Bogotá (RMCAB). Se recopilaron y analizaron datos entre 2021 y 2023, sumando más de 29,200 registros, que fueron empleados para entrenar, validar y probar los modelos. Se desarrollaron dos enfoques: el primero, un modelo univariable de predicción single-step para contaminantes específicos como PM10, PM2.5, CO y NO2, y el segundo, un modelo multivariable que integra variables meteorológicas como la dirección y velocidad del viento, temperatura, humedad, presión y precipitación. El rendimiento de ambos enfoques se evaluó utilizando el error cuadrático medio (RMSE), comparando las predicciones con mediciones reales. Los resultados muestran que el modelo multivariable ofreció mejores predicciones debido a la inclusión de factores atmosféricos adicionales, destacando su capacidad para mejorar la precisión en las estimaciones de la calidad del aire. Esto resalta la relevancia de considerar múltiples variables en la predicción de contaminantes, especialmente en contextos urbanos donde las interacciones entre factores ambientales son complejas.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Citas
Ameer, S., Shah, M. A., Khan, A., Song, H., Maple, C., Islam, S. U., & Asghar, M. N. (2019). Comparative analysis of machine learning techniques for predicting air quality in smart cities. IEEE Access, 7, 128325–128338. https://doi.org/10.1109/ACCESS.2019.2925082
Bao, R., & Zhang, A. (2020). Does lockdown reduce air pollution? Evidence from 44 cities in northern China. Science of The Total Environment, 731, 139052. https://doi.org/10.1016/j.scitotenv.2020.139052
Brownlee, J. (2017). Long short-term memory networks with Python: Develop sequence prediction models with deep learning (1.0).
Cantú, P. (2023). La contaminación del aire y los riesgos de la salud. Revista UANL, 122. https://ojs.biblio.uanl.mx/index.php/ojs/article/view/296
Fang, Z., Wang, Y., Peng, L., & Hong, H. (2021). Predicting flood susceptibility using LSTM neural networks. Journal of Hydrology, 594, 125734. https://doi.org/10.1016/j.jhydrol.2020.125734
Guerrero-Rojas, N. K. (2020). Alternativas para la reducción de contaminantes atmosféricos emitidos por el sistema vehicular en Bogotá D.C. https://hdl.handle.net/10983/24784
Han, H., Liu, J., Shu, L., Wang, T., & Yuan, H. (2020). Local and synoptic meteorological influences on daily variability in summertime surface ozone in eastern China. Atmospheric Chemistry and Physics, 20(1), 203–222. https://doi.org/10.5194/acp-20-203-2020
Ministerio de Ambiente y Desarrollo Sostenible. (2017). Resolución 2254 de 2017. https://www.minambiente.gov.co/documento-entidad/resolucion-2254-de-2017/
ONU. (2022). El 99% de la población mundial respira aire contaminado. https://news.un.org/es/story/2022/04/1506592.
Ruggieri, R., Ruggeri, M., Vinci, G., & Poponi, S. (2021). Electric mobility in a smart city: European overview. Energies, 14(2), 315. https://doi.org/10.3390/en14020315
Sak, H., Senior, A., & Beaufays, F. (2014). Long short-term memory recurrent neural network architectures for large scale acoustic modeling. In H. Li & P.
Ching (Eds.), 15th Annual Conference of the International Speech Communication Association (INTERSPEECH 2014) (pp. 338–342).
International Speech Communication Association (ISCA). https://www.isca-archive.org/interspeech_2014/sak14_interspeech.pdf
Sharma, S., Zhang, M., Anshika, Gao, J., Zhang, H., & Kota, S. H. (2020). Effect of restricted emissions during COVID-19 on air quality in India. Science of The Total Environment, 728, 138878.
https://doi.org/10.1016/j.scitotenv.2020.138878
Sofowote, U. M., Healy, R. M., Su, Y., Debosz, J., Noble, M., Munoz, A., Jeong, C.-H., Wang, J. M., Hilker, N., Evans, G. J., Brook, J. R., Lu, G., & Hopke, P. K.
(2021). Sources, variability and parameterizations of intra-city factors obtained from dispersion-normalized multi-time resolution factor analyses of PM2.5 in an urban environment. Science of The Total Environment, 761, 143225. https://doi.org/10.1016/j.scitotenv.2020.143225
TensorFlow. (2024). tf.keras.layers.LSTM. https://www.tensorflow.org/api_docs/python/tf/keras/layers/LSTM
Zheng, B., Tong, D., Li, M., Liu, F., Hong, C., Geng, G., Li, H., Li, X., Peng, L., Qi, J., Yan, L., Zhang, Y., Zhao, H., Zheng, Y., He, K., & Zhang, Q. (2018). Trends in China’s anthropogenic emissions since 2010 as the consequence of clean air actions. Atmospheric Chemistry and Physics, 18(19), 14095–14111.
https://doi.org/10.5194/acp-18-14095-2018
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, 1–12. https://doi.org/10.1155/2021/6630944
Repositorio público: https://github.com/christiancass/modelos-LSTM-LasFerias.git