Predicción de material particulado (PM2.5 y PM10) mediante descomposición en series de Fourier combinada con LSTM y SVM

Por qué importan pronósticos de aire más limpio para todos

El polvo fino en el aire es una amenaza invisible que respiramos cada día. Partículas diminutas llamadas PM2.5 y PM10 pueden penetrar profundamente en nuestros pulmones y en el torrente sanguíneo, aumentando el riesgo de enfermedades cardíacas y respiratorias. Sin embargo, los niveles de contaminación pueden cambiar bruscamente de una hora a otra. Este estudio explora cómo predecir esas subidas y bajadas con mayor precisión, hora a hora y estación por estación, en una concurrida ciudad portuaria marroquí—para que las autoridades puedan avisar a los residentes y planificar acciones antes de que el aire se vuelva peligroso.

Comprender el polvo en el aire urbano

Los investigadores se centraron en Mohammedia, una ciudad de la costa atlántica que alberga una refinería de petróleo y zonas industriales, lo que la convierte en un banco de pruebas útil para la ciencia de calidad del aire. Examinaron dos tipos comunes de material particulado: PM2.5, el polvo más fino con diámetros de 2,5 micrómetros o menos, y PM10, partículas algo mayores de hasta 10 micrómetros. Ambas permanecen en suspensión en el aire y se consideran entre los contaminantes más perjudiciales para la salud humana. El equipo recopiló medidas horarias de estas partículas desde diciembre de 2020 hasta noviembre de 2021, creando un registro detallado de cómo la contaminación subía y bajaba en días, semanas y estaciones.

Depurar datos del mundo real y desordenados

Como ocurre con la mayoría de los sistemas de monitorización reales, los instrumentos de la ciudad no entregaron datos perfectos. Faltaron algunas horas por fallos de los sensores o problemas de comunicación, y las distribuciones mostraron picos extremos ocasionales. En lugar de rellenar los huecos con simples aproximaciones lineales que podrían atenuar picos reales de contaminación, los autores emplearon un método consciente de la estacionalidad. Primero capturaron patrones diarios regulares—como niveles más altos durante las horas de tráfico intenso—y luego completaron únicamente la parte irregular restante de la señal mediante suavizado local. También separaron patrones repetidos en múltiples escalas temporales (día, semana, año) y usaron una técnica de detección de anomalías para señalar y corregir valores atípicos sospechosos. Esta limpieza cuidadosa buscó conservar los eventos reales de contaminación mientras eliminaba el ruido.

Dejar que las matemáticas y las máquinas compartan el trabajo

En el núcleo del estudio está la combinación entre la matemática clásica y la inteligencia artificial moderna. Los autores emplearon series de Fourier, una herramienta que descompone una curva compleja en la suma de ondas simples, para separar la serie temporal de contaminación en tendencia, ciclos estacionales y fluctuaciones residuales. A continuación entrenaron dos modelos de aprendizaje automático populares con estas señales procesadas: máquinas de vectores de soporte (SVM), que detectan patrones en los datos mediante curvas flexibles, y redes de memoria a largo plazo (LSTM), un tipo de red neuronal diseñada para aprender de secuencias temporales. Se compararon versiones de cada modelo con preprocesado basado en Fourier (SVMF y LSTMF) con versiones entrenadas solo con datos crudos.

Lo que revelan los patrones estacionales

Los registros horarios mostraron ritmos estacionales distintos en el aire de Mohammedia. Para PM2.5, el otoño presentó los niveles medios más altos, con picos prolongados por la tarde y la noche que se extendían aproximadamente de las 19:00 a las 02:00, probablemente vinculados al tráfico, el comercio y actividades sociales. El invierno y el verano también mostraron picos pronunciados por la noche y a última hora, mientras que la primavera exhibió dos máximos principales: uno a primeras horas de la tarde y otro por la noche. PM10 siguió patrones similares en términos generales, con picos nocturnos pronunciados y niveles diurnos algo menores en la mayoría de las estaciones. Estos patrones subrayan que el aire más dañino a menudo coincide con periodos en los que muchas personas están al aire libre o desplazándose.

Pronósticos más precisos con señales descompuestas

En las cuatro estaciones y para ambos contaminantes, los modelos híbridos que combinaron descomposición de Fourier con aprendizaje automático superaron claramente a los entrenados con datos crudos. El modelo LSTMF, que acopla LSTM con preprocesado basado en Fourier, fue consistentemente el mejor. Para pronósticos horarios, su precisión fue la más alta en todas las estaciones, con resultados especialmente sólidos en otoño. Cuando el equipo amplió el horizonte para predecir hasta siete días, LSTMF siguió mostrando alto rendimiento, con coeficientes de determinación (R²) cercanos o superiores a 0,9 en muchos casos. En términos simples, descomponer la señal ayudó a los modelos a centrarse en la estructura significativa—tendencias a largo plazo y ciclos recurrentes—mientras manejaban mejor el ruido a corto plazo.

Qué significa esto para la vida cotidiana

Para quienes no son especialistas, el mensaje clave es que pronósticos más inteligentes pueden convertir datos de sensores en protección práctica. Al predecir con mayor precisión los niveles horarios de PM2.5 y PM10, los planificadores urbanos y las agencias de salud pueden anticipar cuándo aumentará la contaminación y avisar a personas con problemas respiratorios, ajustar flujos de tráfico o programar restricciones industriales. Aunque este estudio se centró en una sola ciudad marroquí y utilizó únicamente medidas históricas de partículas (sin incorporar datos meteorológicos o de emisiones), demuestra que combinar aprendizaje profundo con descomposición matemática es una receta potente para pronósticos de calidad del aire más limpios y fiables. Con un mayor refinamiento y expansión a más ubicaciones, estas herramientas podrían sustentar sistemas de alerta temprana que ayuden a la población a respirar con un poco más de tranquilidad en su vida diaria.

Cita: Bennis, M., Youssfi, M., Morabet, R.E. et al. Particulate matter (PM2.5 and PM10) prediction using fourier series decomposition in combination with LSTM and SVM. Sci Rep 16, 7665 (2026). https://doi.org/10.1038/s41598-026-38436-4

Palabras clave: predicción de la contaminación del aire, material particulado, aprendizaje automático, descomposición de Fourier, calidad del aire urbano