Un método pionero de inteligencia artificial para luchar contra la contaminación del aire urbano


El 99% de la población mundial respira aire que supera los límites recomendados por la Organización Mundial de la Salud (OMS). Este escenario se agudiza en las áreas urbanas donde se concentra más del 50% de la población mundial.


por el Centro de Supercomputación de Barcelona


Para mitigar el problema de la contaminación del aire, considerada por la OMS como el principal factor de riesgo ambiental para la salud a nivel mundial, es fundamental contar con datos más confiables y precisos sobre la concentración de contaminantes atmosféricos en nuestras ciudades, especialmente el dióxido de nitrógeno (NO 2 ) por sus efectos nocivos en la calidad de vida de las personas y las consecuencias económicas asociadas.

Para avanzar en esta línea de investigación, un equipo de científicos del grupo Earth System Services del Departamento de Ciencias de la Tierra del Barcelona Supercomputing Center—Centro Nacional de Supercomputación (BSC-CNS) ha realizado un estudio que demuestra que la inteligencia artificial puede ser de gran utilidad para obtener información fiable sobre la probabilidad de superar los límites legales de contaminación del aire en toda la ciudad.

El objetivo de la investigación, publicada en la revista Geoscientific Model Development , es ayudar a mejorar la gestión de la calidad del aire en áreas urbanas mediante la obtención de mapas horarios de concentraciones de NO 2 a pie de calle, así como la cuantificación de la incertidumbre asociada.

El nuevo método combina por primera vez los resultados de CALIOPE-Urban, un modelo único en España que permite la previsión de la contaminación atmosférica a muy altas resoluciones de hasta diez metros, a diferentes alturas y en cualquier punto de la ciudad, con un amplio espectro urbano. base de datos que incluye observaciones de estaciones oficiales de calidad del aire, campañas de sensores de bajo costo, información sobre densidad de edificios, variables meteorológicas y una larga lista de otra información geoespacial.

De esta manera, se pueden identificar áreas de la ciudad donde se necesita mejorar el sistema de monitoreo actual, lo que ayuda a optimizar las estrategias para reducir la contaminación del aire.

“La combinación de las predicciones CALIOPE-Urban con todos estos datos urbanos usando inteligencia artificial nos permite mejorar el modelo porque donde la simulación no puede explicar la distribución espacial de la contaminación, podemos usar el aprendizaje automático para corregir y mejorar esta predicción”, dice Jan Mateu, líder del equipo de Servicios de Calidad del Aire del BSC y uno de los principales autores del estudio.

El uso de técnicas de aprendizaje automático con datos observacionales obtenidos durante campañas anteriores utilizando dosímetros pasivos representa un avance importante, ya que reduce las incertidumbres inherentes asociadas a los modelos de calidad del aire debido a la baja densidad de estaciones de monitoreo. Esto proporciona una mejor caracterización espacial del exceso de contaminación del aire en diferentes partes de la ciudad.

Una de las principales conclusiones del estudio, que en esta fase piloto se centró en la ciudad de Barcelona, ​​es que el distrito con peor calidad del aire de la capital catalana es el Eixample, donde el 95% de su superficie tiene más del 50% probabilidad de superar el límite medio anual de NO2 de 40 μg/m3 fijado por la Comisión Europea (Directiva Europea de Calidad del Aire 2008/50/CE).

“El Eixample, el distrito más poblado de Barcelona, ​​es la zona más afectada de la ciudad, ya que la gran mayoría de su superficie tiene una probabilidad superior al 50% de superar el límite anual de NO 2 fijado por la Comisión Europea . Gracias con nuestra metodología, la administración pública podrá diseñar y gestionar políticas para mejorar la calidad del aire en las zonas urbanas , algo especialmente importante dado que la contaminación del aire es el principal factor de riesgo ambiental para la salud humana”, añade Álvaro Criado, investigador del Programa Aire del BSC. del equipo de Quality Services y uno de los principales autores del estudio.

El modelo CALIOPE-Urbano

Desarrollada en el BSC, CALIOPE-Urban es una herramienta de modelización que estima la concentración de dióxido de nitrógeno (NO 2 ) a pie de calle en la ciudad de Barcelona, ​​aunque también podría aplicarse a otras ciudades o áreas metropolitanas. El NO 2 y sus precursores se emiten principalmente a partir de fuentes de combustión, como los motores de los vehículos, por lo que el control es crucial para combatir la contaminación del aire en las grandes ciudades donde el tráfico suele estar congestionado.

El sistema, único en España, proporciona a los ciudadanos y gestores de calidad del aire información útil sobre cómo afecta el tráfico a la contaminación del aire en cada barrio. Esta información es esencial para diseñar e implementar estrategias efectivas de planificación y mitigación para proteger a los ciudadanos de las amenazas a la salud que plantea la contaminación del aire. CALIOPE-Urban está actualmente centrado en la ciudad de Barcelona, ​​pero ya se está trabajando para extenderlo a otros municipios en colaboración con diversas administraciones municipales y autonómicas.

CALIOPE-Urban combina la tecnología del modelo regional CALIOPE, el sistema de predicción de la calidad del aire del BSC, con un modelo urbano que considera la contaminación del aire a pie de calle, utilizando información sobre las emisiones del tráfico y datos meteorológicos. CALIOPE, el único sistema de calidad del aire que proporciona previsiones operativas para Barcelona, ​​Cataluña, la Península Ibérica y Europa, es el único colaborador español del Servicio Copernicus de Vigilancia de la Atmósfera (CAMS) de la Unión Europea.

Más información: Alvaro Criado et al, Métodos habilitados para la incertidumbre de fusión de datos para mapear el NO 2 por hora a escala de calle en Barcelona: un estudio de caso con CALIOPE-Urban v1.0, Desarrollo de modelos geocientíficos (2023). DOI: 10.5194/gmd-16-2193-2023