Un nuevo modelo de ahora-casting (estimación) basado en un sistema de inferencia difusa hesitant neutrosófico de red adaptable (ANNHFIS): un estudio de caso en Estambul

Por qué este estudio importa para el aire de la ciudad

Las plantas de biomasa convierten residuos domésticos y orgánicos en electricidad, lo que parece una victoria para la energía limpia. Sin embargo, estas instalaciones siguen emitiendo dióxido de nitrógeno, un gas que puede irritar los pulmones y agravar el asma. En ciudades densamente pobladas como Estambul, conocer el nivel de dióxido de nitrógeno del día en las proximidades de estas plantas puede ayudar a las autoridades a alertar a la población y gestionar la calidad del aire. Este estudio presenta un nuevo tipo de sistema de predicción inteligente diseñado para ofrecer estimaciones más fiables del mismo día del dióxido de nitrógeno alrededor de una gran planta de valorización energética de residuos.

Cómo la valorización energética de residuos afecta el aire cercano

Las plantas de biomasa queman o procesan grandes cantidades de residuos para mantener el suministro eléctrico. Dependiendo de su operación, pueden emitir partículas y óxidos de nitrógeno en niveles comparables a algunas plantas que usan combustibles fósiles. El dióxido de nitrógeno es especialmente relevante porque enturbia el aire, contribuye a la formación de smog y ácidos, y daña los pulmones. En el distrito Eyüp de Estambul, un gran complejo de plantas de valorización energética y biometanización suministra energía a millones de personas, pero también emite gases como el dióxido de nitrógeno y partículas finas a la atmósfera. Comprender cómo el tiempo local y los coprocontaminantes se combinan para determinar los niveles diarios de dióxido de nitrógeno cerca de este complejo es, por tanto, una cuestión clave de salud pública.

Qué datos alimentaron el modelo

Los investigadores se centraron en las condiciones diarias entre 2019 y 2023 cerca de las instalaciones de Eyüp. Usaron cinco variables como entradas: radiación solar, temperatura del aire, humedad, óxidos de nitrógeno y partículas gruesas en el aire. Todas se midieron en una estación de vigilancia cercana que rastrea tanto el tiempo como la calidad del aire. El objetivo fue estimar la media diaria del dióxido de nitrógeno a partir de estas mediciones. Antes de entrenar los modelos, el equipo limpió los datos eliminando días con lecturas ausentes y filtrando fallos extremos de los sensores. Luego escalaron todos los valores a un rango común y revisaron los registros en busca de saltos bruscos o desviaciones a largo plazo que pudieran confundir a los algoritmos de aprendizaje.

Una nueva forma de manejar señales del mundo real, ruidosas

Los modelos estadísticos tradicionales tratan las relaciones en los datos como mayormente lineales y pueden tener dificultades cuando los patrones son ondulados, irregulares o cambian con el tiempo. Las redes neuronales estándar son más flexibles pero pueden sobreajustar o ofrecer poca claridad sobre cómo alcanzan sus decisiones. Los autores construyeron un sistema híbrido que mezcla redes neuronales con lógica difusa, un método que trabaja con tonos de gris en lugar de respuestas de sí o no. Su giro fue permitir que el sistema exprese no solo cuán fuertemente una entrada pertenece a una categoría como baja o alta, sino también su incertidumbre y vacilación. Mediante el uso de curvas en forma de campana emparejadas y una regla de mezcla especial, el modelo puede representar casos ambiguos donde los datos son ruidosos o contradictorios, algo común en las mediciones de aire exterior.

Cómo aprende el estimador inteligente

El nuevo modelo se basa en un conjunto de reglas del tipo si-entonces, por ejemplo, baja radiación solar y altos niveles de partículas pueden sugerir mayor dióxido de nitrógeno. Tras bambalinas combina cientos de tales reglas, cada una con fuerzas que varían suavemente en lugar de límites rígidos. Para ajustar esta compleja base de reglas, el equipo utilizó optimización por enjambre de partículas, un método que trata cada solución candidata como una partícula que se mueve por el espacio y lleva al enjambre hacia un mejor rendimiento. Este paso de búsqueda ajusta cómo se sitúan las categorías difusas y cuán importante es cada regla. Un paso de afinado posterior basado en aprendizaje por gradiente pule el ajuste final. La precisión del modelo se comprobó con medidas de error estándar y se comparó con varias referencias sólidas, incluidas redes neuronales clásicas, redes de memoria a largo plazo (LSTM) y sistemas difusos previos.

Qué encontraron los investigadores

En datos de prueba no vistos, el nuevo sistema produjo el error medio más bajo y la mayor concordancia con los niveles observados de dióxido de nitrógeno entre los modelos estudiados. Captó mejor las oscilaciones diarias y los picos de contaminación que otros enfoques difusos y un modelo secuencial de aprendizaje profundo, y rindió de forma similar a una red neuronal estándar bien ajustada, manteniéndose a la vez más transparente. Pruebas estadísticas mostraron que las mejoras frente a la mayoría de rivales eran poco probables que se debieran al azar. Los autores sostienen que la forma más rica en que su modelo maneja la incertidumbre le ayuda a lidiar con patrones no suaves y cambiantes en los registros de calidad del aire.

Qué significa esto para los habitantes urbanos

Para quienes viven cerca de plantas energéticas basadas en residuos, el estudio muestra cómo herramientas de ahora-casting más inteligentes pueden ofrecer una imagen más clara del aire que respiran hoy. El método propuesto no elimina la contaminación, pero puede permitir a las agencias municipales detectar días de riesgo con mayor fiabilidad y planificar respuestas como alertas o cambios operativos. Dado que el enfoque es flexible, podría adaptarse a otros distritos, contaminantes u horizontes de previsión en trabajos futuros. En términos sencillos, la investigación ofrece un termómetro de calidad del aire más matizado que reconoce la incertidumbre y, aun así, proporciona orientación práctica para gestionar el dióxido de nitrógeno en entornos urbanos concurridos.

Cita: Turgut, A., Seker, S. A novel nowcasting (estimation) model based on an adaptive network neutrosophic hesitant fuzzy inference system (ANNHFIS): a case study of Istanbul. Sci Rep 16, 14855 (2026). https://doi.org/10.1038/s41598-026-45618-7

Palabras clave: contaminación del aire, dióxido de nitrógeno, plantas de biomasa, modelado de la calidad del aire, aprendizaje automático