Pronóstico multimodelo de $$\text {NO}_{2}$$ y $$\text {O}_{3}$$ en Abu Dabi: beneficios de la ampliación de características basada en correlación

Por qué importan las predicciones de aire más limpio

Las personas que viven en ciudades en crecimiento como Abu Dabi respiran un aire que está constantemente moldeado por el tráfico, la industria y el clima. Dos gases invisibles, el dióxido de nitrógeno y el ozono a nivel del suelo, desempeñan un papel importante en el smog y en los problemas respiratorios. Este estudio plantea una pregunta práctica con consecuencias reales: ¿qué tan bien podemos predecir estos contaminantes con horas o días de antelación usando la inteligencia artificial moderna, y podemos mejorar las predicciones enseñando a los modelos cómo se influyen mutuamente estos dos gases?

Los dos alborotadores del aire urbano

El dióxido de nitrógeno y el ozono están estrechamente vinculados en la atmósfera. El dióxido de nitrógeno procede en gran medida de los escapes de vehículos y otras fuentes de combustión; bajo la luz solar, contribuye a la formación de ozono, que es un componente principal del smog. Durante el día, los niveles de ozono suben mientras que el dióxido de nitrógeno a menudo desciende, y por la noche el patrón puede invertirse. En Abu Dabi, el rápido crecimiento urbano, el intenso tráfico y las condiciones desérticas que limitan la “limpieza” natural del aire hacen que estos contaminantes sean una preocupación particular. Anticipar con precisión sus fluctuaciones permite a las autoridades advertir a las personas vulnerables, ajustar el flujo de tráfico o planificar la actividad industrial para reducir riesgos para la salud.

Una visión detallada del aire en Abu Dabi

Los investigadores utilizaron un conjunto de datos inusualmente amplio y detallado: cinco años de mediciones horarias de dióxido de nitrógeno y ozono procedentes de siete estaciones fijas de monitoreo distribuidas por desiertos, suburbios, distritos costeros y una zona industrial del Emirato de Abu Dabi. Este registro largo, que cubre de 2018 a 2022, evita las condiciones distorsionadas observadas durante los confinamientos por COVID-19 que afectaron a estudios anteriores. El equipo limpió cuidadosamente los datos, rellenando huecos ocasionales promediando valores de fechas y horas similares en otros años, y aplicó pasos matemáticos para manejar picos agudos preservando los extremos reales de contaminación. Después dividieron la línea temporal en bloques sucesivos de entrenamiento y prueba, imitando cómo un sistema de predicción real aprendería del pasado y sería evaluado en períodos futuros no vistos.

Poner a prueba muchos métodos de pronóstico

Para ver qué herramientas funcionan mejor, el estudio comparó una amplia gama de enfoques. Los métodos más simples incluyeron árboles de decisión, bosques aleatorios y máquinas de vectores de soporte, que buscan patrones en mediciones pasadas. Los métodos más avanzados de aprendizaje profundo incluyeron redes neuronales convolucionales, que destacan en detectar formas locales en series temporales, y redes LSTM, diseñadas para recordar patrones a largo plazo. Los investigadores también usaron Prophet, un modelo orientado a capturar ciclos diarios y estacionales repetitivos, y un modelo Transformer, una arquitectura más reciente que emplea un mecanismo de “atención” para ponderar cómo distintos momentos pasados influyen en cada predicción. A todos los modelos se les pidió predecir los niveles de contaminantes con 1 hora, 2 horas, 1 día y 1 semana de antelación, y sus errores se puntuaron usando varias medidas complementarias.

Aprender de cómo se mueven los contaminantes juntos

Puesto que el dióxido de nitrógeno y el ozono están químicamente entrelazados, el equipo exploró si la historia de cada contaminante podría ayudar a predecir el otro. Primero midieron cuán vinculados estaban los dos gases en cada estación y confirmaron una relación inversa generalmente fuerte: cuando uno era alto, el otro tendía a ser bajo. Luego construyeron dos versiones de cada modelo. En la versión básica, el modelo solo veía los valores pasados del contaminante que intentaba predecir. En la versión mejorada, también veía valores rezagados del otro contaminante, dándole efectivamente una pista adicional sobre el estado actual del aire urbano. Esto permitió a los investigadores probar si la “ampliación de características” —añadir información correlacionada— produce predicciones más precisas sin introducir conocimiento del futuro.

Qué modelos ganaron y por qué importa

En casi todas las estaciones, contaminantes y horizontes temporales, el modelo Transformer superó claramente a los demás, ofreciendo los errores medios más bajos y el comportamiento más estable a lo largo del tiempo. Para el dióxido de nitrógeno, su error porcentual típico osciló entre aproximadamente una cuarta y una tercera parte, y para el ozono fue algo mejor. Las redes convolucionales quedaron cerca en las predicciones a muy corto plazo, especialmente en las primeras un par de horas, mientras que Prophet resultó útil en el horizonte de una semana gracias a su buena gestión de los patrones recurrentes. De forma importante, proporcionar a los modelos información adicional sobre el contaminante compañero redujo de manera consistente los errores de predicción, de forma más notable para el dióxido de nitrógeno a 1 hora y para las previsiones de ozono hasta un día completo. En términos cotidianos, este trabajo muestra que la IA avanzada basada en atención, alimentada con un registro multianual rico y enseñada a explotar la “conversación” química entre contaminantes clave, puede ofrecer predicciones de calidad del aire más fiables. Tales herramientas pueden ayudar a planificadores urbanos y agencias de salud en Abu Dabi y regiones similares a actuar antes y con mayor precisión para proteger la salud pública, especialmente de niños, ancianos y personas con afecciones pulmonares o cardíacas.

Cita: Abuouelezz, W., Ali, N., Aung, Z. et al. Multi-model forecasting of \(\text {NO}_{2}\) and \(\text {O}_{3}\) in Abu Dhabi: benefits of correlation-based feature augmentation. Sci Rep 16, 13825 (2026). https://doi.org/10.1038/s41598-026-44485-6

Palabras clave: predicción de la contaminación del aire, dióxido de nitrógeno, ozono a nivel del suelo, modelos de aprendizaje profundo, calidad del aire en Abu Dabi