Integración de Teledetección y Redes Neuronales profundas con Tensorflow para la predicción de la calidad del aire en la parroquia Calderón de la ciudad de Quito
DOI:
https://doi.org/10.69639/arandu.v12i3.1322Palabras clave:
calidad del aire, aprendizaje profundo, Sentinel-5P, Quito, TensorFlow, contaminación urbanaResumen
El presente estudio tiene como objetivo desarrollar un modelo predictivo de la calidad del aire utilizando una combinación de datos obtenidos mediante teledetección y redes neuronales profundas implementadas con TensorFlow. Se recopilaron datos históricos de calidad del aire, incluyendo mediciones de contaminantes como dióxido de carbono, monóxido de carbono, ozono, óxidos de nitrógeno y partículas suspendidas, junto con datos de teledetección como imágenes de satélite que capturan variables atmosféricas relevantes y la distribución de contaminantes. Estos datos se utilizaron para entrenar un modelo de red neuronal profunda, que sea capaz de predecir los niveles de contaminación del aire en diferentes áreas geográficas y condiciones climáticas. El objetivo final es proporcionar una herramienta precisa y eficaz para la gestión y control de la calidad del aire, aprovechando la integración de tecnologías de teledetección y aprendizaje profundo.
Descargas
Citas
Barron Adame, J. M. (2010). Modelado de un sistema de supervisión de la calidad del aire usando técnicas de fusión de sensores y redes neuronales.
Belis, C. A., Karagulian, F., & Larsen, B. R. (2022). Critical review and meta-analysis of ambient particulate matter source apportionment using receptor models in Europe. Atmospheric Environment, 268, 118-130. https://doi.org/10.1016/j.atmosenv.2022.118130
Cárdenas, M., Vizuete, W., & Molina, L. T. (2022). Air pollution dynamics in a mountainous megacity: The case of Quito, Ecuador. Atmospheric Chemistry and Physics, 22(5), 3319-3334. https://doi.org/10.5194/acp-22-3319-2022
Casapia, J. L. S. M., Aruhuanca, L. M., & Rejas, M. H. (2019). Evaluación de la concentración de polvo atmosférico sedimentable y material particulado (PM2. 5, PM10) para la gestión de la calidad del aire 2017, en la ciudad de Tacna. Ingeniería Investiga, 1(1), 124-138.
Chollet, F. (2021). Deep learning with Python (2nd ed.). Manning Publications.
Efron, B. (2022). Bootstrap methods: Looking backward, looking forward. Annual Review of Statistics and Its Application, 9, 1-25. https://doi.org/10.1146/annurev-statistics-100821-122616
García, R., Martínez, J., & López, M. (2021). Deep learning approaches for air quality prediction in urban environments. Atmospheric Environment, 256, 118-132. https://doi.org/10.1016/j.atmosenv.2021.118132
García Navarrete, G., & Rico Soto, K. G. (2020). SENSORES DE BAJO COSTO PARA EL MONITOREO DE CALIDAD DEL AIRE. EPISTEMUS, 13(27), 30–37. https://doi.org/10.36790/epistemus.v13i27.108
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Huanca cori, r. O. G. E. R. (2022). Modelo de simulacion para proyectar la contaminacion de aire en la ciudad del alto aplicando redes neuronales (doctoral dissertation).
Instituto Nacional de Meteorología e Hidrología [INAMHI]. (2023). Caracterización climática del Distrito Metropolitano de Quito. Quito, Ecuador.
Jacinto Herrera, R. T. (2019). Redes neuronales para predicción de contaminación del aire en Carabayllo-Lima.
Querol, X. (2018). La calidad del aire en las ciudades.
Kingma, D. P., & Ba, J. L. (2014). Adam: A method for stochastic optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015).
Kohavi, R. (2020). A study of cross-validation and bootstrap for accuracy estimation and model selection. AI Magazine, 41(2), 34-45.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539
Li, X., Wang, Y., & Zhang, J. (2023). Comparative study of machine learning approaches for urban air quality modeling. Environmental Pollution, 316, 120-135. https://doi.org/10.1016/j.envpol.2023.120135
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30, 4765-4774.
Molina, L. T., Pérez, C., & Torres, R. (2020). Urban air quality in Latin American megacities: The case of Mexico City, Bogotá and Santiago. Science of the Total Environment, 712, 136-145. https://doi.org/10.1016/j.scitotenv.2020.136145
Municipio del Distrito Metropolitano de Quito. (2023). *Plan de Acción Climática 2023-2030*. Quito, Ecuador.
Organización Mundial de la Salud [OMS]. (2021). WHO global air quality guidelines: Particulate matter (PM2.5 and PM10), ozone, nitrogen dioxide, sulfur dioxide and carbon monoxide. World Health Organization.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830.
Pérez, L., González, M., & Ramírez, A. (2023). Integration of satellite and ground-based data for urban air quality assessment in Latin America. Remote Sensing of Environment, 284, 113-125. https://doi.org/10.1016/j.rse.2023.113125
Programa de las Naciones Unidas para el Medio Ambiente [PNUMA]. (2022). Air pollution and its impact on health in developing countries. United Nations Environment Programme.
Reichstein, M., Camps-Valls, G., & Stevens, B. (2023). Deep learning and process understanding for data-driven Earth system science. Nature Machine Intelligence, 5(3), 201-210. https://doi.org/10.1038/s42256-023-00612-w
Rodríguez Miranda, A. A. (2018). Modelización y análisis de la calidad del aire en la ciudad de Oviedo (norte de España), mediante los enfoques PSO-SVM, red neuronal MLP y árbol de regresión M5 .
Sánchez Ccoyllo, O., & Ordoñez Aquino, C. (2016). Evaluación de la calidad del aire en Lima Metropolitana 2015.
Secretaría de Ambiente del Distrito Metropolitano de Quito. (2023). Reporte anual de calidad del aire 2022. Quito, Ecuador.
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., ... Levelt, P. F. (2021). 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. Atmospheric Measurement Techniques, 14(1), 1-15. https://doi.org/10.5194/amt-14-1-2021
Vizuete, W., Cárdenas, M., & Mendoza, A. (2021). Traffic-related air pollution in Quito, Ecuador: Emissions inventory and dispersion modeling. Transportation Research Part D: Transport and Environment, 95, 102-115. https://doi.org/10.1016/j.trd.2021.102115
Zhang, Y., Li, X., & Chen, Z. (2022). Data augmentation techniques for environmental modeling applications. Environmental Modelling & Software, 156, 105-120. https://doi.org/10.1016/j.envsoft.2022.105120
ONU-Hábitat. (2023). Directrices para la gestión de la calidad del aire urbano. Programa de las Naciones Unidas para los Asentamientos Humanos.
Agencia Espacial Europea [ESA]. (2021). *Sentinel-5P OFFL Algorithm Theoretical Basis Document* (ESA-EOPG-EOPGC-TN-15-0027). Noordwijk, Países Bajos.
Agencia Espacial Europea [ESA]. (2022). *Sentinel-5P Technical Guide*. Noordwijk, Países Bajos.
Panel Intergubernamental sobre Cambio Climático [IPCC]. (2023). 2023 Refinement to the 2006 IPCC Guidelines for National Greenhouse Gas Inventories. IPCC.
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Jaime Vladimir Sancho Zurita, Graciela Elizabeth Trujillo Moreno, Mónica Paola Sancho Solano, Anthony Danilo Espinoza Altamirano, Ximena Luz Crespo Nuñez
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Esta publicación está bajo una 
