Predicción resuelta por altitud de la contaminación del aire junto a carreteras usando mediciones con UAV y aprendizaje automático

Por qué importa la contaminación cerca de las autopistas

Mucha gente vive, trabaja o hace ejercicio cerca de autopistas concurridas, donde los humos del tráfico pueden afectar silenciosamente su salud. Sin embargo, la mayoría de los monitores de calidad del aire están fijos en el suelo y no pueden mostrar cómo varía la contaminación a unos pocos metros por encima o alejándose de la carretera. Este estudio combina drones y modelos informáticos avanzados para crear una imagen tridimensional de la contaminación junto a las carreteras, ayudando a los urbanistas y a los investigadores en salud a entender quién está más expuesto y cuándo.

Usar sensores voladores para cartografiar el aire sucio

Los investigadores se centraron en una autopista principal de Corea que conecta Seúl y Busan y soporta parte del tráfico más intenso del país. Instalaron un sensor de aire compacto en una estación junto a la carretera y colocaron un sensor idéntico en un cuadricóptero. Los instrumentos midieron cuatro contaminantes clave: monóxido de carbono procedente del escape, dióxido de nitrógeno por la combustión de combustible, ozono a nivel del suelo formado con la luz solar y partículas finas conocidas como PM2.5. Durante varios días en verano e invierno, el dron voló hacia arriba y abajo sobre la carretera a alturas de 10 a 60 metros, y en invierno también se desplazó horizontalmente hasta 60 metros desde la calzada, deteniéndose en cada punto para muestrear el aire.

Lo que vio el dron sobre la carretera

Las mediciones revelaron patrones claros sobre cómo cambia la contaminación con la altura, la distancia, la hora del día y la estación. El dióxido de nitrógeno y el ozono fueron más altos cerca del suelo y disminuyeron con la altitud y la distancia a la autopista, lo que muestra que los vehículos son una fuente local dominante. El dióxido de nitrógeno se disparó alrededor de las 7 a. m., coincidiendo con el tráfico de la hora punta de la mañana, mientras que el ozono fue más bajo en ese momento y más alto en la brillante tarde, cuando la luz solar impulsa las reacciones químicas en el aire. En invierno, el dióxido de nitrógeno tendió a ser más alto en general, favorecido por capas de aire estancadas y frías que atrapan las emisiones cerca de la superficie. Sorprendentemente, los niveles de partículas finas fueron mayores en verano que en invierno; al rastrear las trayectorias de las masas de aire hacia atrás durante 48 horas, el equipo encontró que el aire de verano a menudo venía de regiones industriales del este de China, lo que sugiere que el transporte a larga distancia añadía a la contaminación de tráfico local.

De lecturas dispersas a un mapa 3D de contaminación

Puesto que los drones solo pueden volar por un tiempo limitado y deben seguir rutas seguras, sus mediciones son esporádicas en espacio y tiempo. Para rellenar los huecos, el equipo entrenó varios modelos de aprendizaje automático para predecir cómo se compara la contaminación en altura con lo medido en la carretera. En lugar de predecir concentraciones brutas, se centraron en la proporción entre las lecturas del dron y las del suelo para cada contaminante. Los modelos usaron cinco grupos de entradas: niveles de contaminación en tierra, volumen y velocidad del tráfico, meteorología (viento, temperatura, humedad), la altura del dron y su distancia a la carretera, y la estación y hora del día. Entre varios algoritmos competidores, un método llamado CatBoost obtuvo el mejor rendimiento, explicando aproximadamente entre dos tercios y casi toda la variación en estas proporciones según el contaminante y la estación.

Qué impulsa los patrones de contaminación sobre la calle

Al sondear el modelo entrenado, los investigadores pudieron ver qué factores del mundo real moldeaban con mayor fuerza los patrones verticales y horizontales de cada contaminante. Para el monóxido de carbono, la velocidad del tráfico fue muy importante: vehículos más lentos o con movimiento intermitente se asociaron con una mayor contaminación relativa cerca de la carretera, reflejando escapes más intensos. Para el dióxido de nitrógeno y las partículas finas, la combinación de lo que ocurría a nivel del suelo y el tiempo local fue clave: condiciones más cálidas y concentraciones más altas en tierra tendían a aumentar los niveles en altura. Los patrones de ozono estuvieron gobernados más por la meteorología y la estación que por las lecturas de ozono en el suelo, coherente con su formación por química impulsada por la luz solar. Cuando el equipo usó el modelo para crear mapas continuos de las proporciones de contaminación a lo largo de la altura, la distancia, el tiempo y la estación, los patrones resultantes concordaron bien con el conocimiento establecido: mayor dióxido de nitrógeno cerca de la calzada, ozono acumulándose a lo largo del día y partículas mezclándose gradualmente hacia arriba y alejándose de los carriles de tráfico.

Cómo esto ayuda a respirar mejor

En términos simples, el estudio muestra que lo que mide un dron sobre una autopista puede reconstruirse de forma fiable a partir de lo que observa un monitor en tierra, junto con contadores de tráfico e instrumentos meteorológicos. Al combinar vuelos breves de drones con aprendizaje automático, los investigadores produjeron vistas tridimensionales detalladas de la calidad del aire junto a las carreteras que serían difíciles y costosas de obtener solo con mediciones. Estos mapas de alta resolución pueden mejorar las estimaciones de cuánto están expuestos los residentes, los viajeros y los peatones a la contaminación del tráfico a diferentes alturas y distancias, y en distintos momentos del día y del año. A largo plazo, este enfoque combinado de dron y modelo podría guiar la ubicación de nuevas carreteras, barreras acústicas y zonas verdes, y ayudar a los responsables municipales a evaluar cómo las políticas de control del tráfico podrían limpiar el aire que la gente realmente respira.

Cita: Kho, C.J., Seo, S., Hwang, H. et al. Altitude-resolved prediction of roadside air pollution using UAV measurements and machine learning. Sci Rep 16, 13925 (2026). https://doi.org/10.1038/s41598-026-44153-9

Palabras clave: contaminación del aire junto a carreteras, drones, aprendizaje automático, autopistas, partículas finas