Beauchef Magazine - Especial recursos hídricos - Facultad de Ciencias Físicas y Matemáticas

“ Se trata de redes neuronales artificiales que pueden ser entrenadas con datos meteoroló- gicos y de contaminación atmosférica hasta lograr ser capaces de hacer una predicción ” , explica Menares. Francisco Gómez añade que para predecir el nivel de materiales contaminantes del aire, es recomendable trabajar con metodologías como grafos neuronales y algoritmos LSTM (long short- term memory) . La primera apunta a introducir datos en diferentes nodos o grafos que repre- sentan estaciones meteorológicas que pueden comunicarse entre sí para predecir determina- dos niveles de contaminantes. La segunda se concentra en interconectar datos de manera secuencial. “ Esto último es muy importante en meteorología, climatología y contaminación del aire, porque lo que pasó hace tres o cuatro días atrás puede ser relevante en lo que ocurra pasa- do mañana ” , especifica el investigador. Dos ejemplos de aplicación de aprendizaje pro- fundo en el pronóstico de calidad del aire se en- cuentran en los trabajos, Forecasting of hourly PM2. 5 in south-west zone in Santiago de Chile y PM2. 5 forecasting in Coyhaique, the most pollu- ted city in the Americas , de los que Camilo Me- nares es coautor junto a los y las investigadoras Zoë Fleming, Patricio Pérez, Santiago Parraguez y Camilo Ramírez. Menares comenta que ambos estudios demues- tran que una red neuronal es capaz de pronosti- car días contaminados con alrededor de un 80% de precisión. “ Esto quiere decir que los días que se podrían predecir como contaminados aumentarían en un 20% en comparación con pronósticos realizados con metodologías numé- ricas o estadísticas ” , apunta. No obstante, aclara que el nivel de exactitud ob- tenido no significa que la inteligencia artificial vaya a reemplazar a los modelos de predicción tradicionales, porque se pueden complementar. “ En general, tener mucha información con res- pecto a este tipo de eventos es bueno, porque basta con que un modelo pronostique malas condiciones para que las instituciones tomen la decisión de resguardar a las personas ” , indica. Nicolás Huneeus concuerda: “ Es bueno recono- cer que todo pronóstico tiene errores. Puede ser que tengan algún proceso no bien representado o que la resolución del modelo sea muy gruesa para lo fino del problema. Ahora, si los sistemas de predicción fallan, hay métodos para corregir esos sesgos ” . Con respecto a la posibilidad de transformar los modelos desarrollados en potenciales nuevos servicios de pronóstico de la calidad del aire, tanto Nicolás Huneeus como Camilo Menares reconocen la existencia de planes en esta lí- nea. “ Por el momento estamos probando este modelo en la Región Metropolitana y Valparaíso, pero la idea es extenderlo al resto del país. La ventaja de modelos como este es que, una vez implementados, también se pueden usar en otras aplicaciones como la industria solar, a tra- vés de la estimación de la cantidad de radiación solar que se pierde en las plantas por causa de la contaminación y el polvo del desierto ” , agrega Huneeus. Camilo Menares sostiene que pretenden imple- mentar este modelo lo antes posible, pues be- neficiaría directamente a ciudades con grandes niveles de contaminación como Coyhaique. “ Como en este momento dependemos de las normativas vigentes y de la voluntad de las ins- tituciones, por ahora nos hemos centrado en optimizar los procesos que nos permitan aplicar mejor los modelos desarrollados ” , concluye. Inventario Nacional de la Calidad del Aire: https://bit.ly/3DwG3cX Preprocesamiento de datos de estaciones de monitoreo para entrenar redes neuronales artificiales y predecir niveles de contaminación atmosférica. I+D 42