Aprendizaje de dependencias cruzadas a escala de barrio entre contaminantes atmosféricos, meteorología y cobertura del suelo usando sensores móviles y transformers

Por qué el aire de tu calle no es como el de la de al lado

La calidad del aire en la ciudad suele describirse con un único número para todo un barrio o incluso para una ciudad entera. Sin embargo, en la realidad la contaminación puede variar drásticamente en apenas unas decenas de metros —entre una calle muy transitada y un patio tranquilo, o entre una obra y un parque. Este estudio muestra cómo la combinación de un carrito eléctrico repleto de sensores y una inteligencia artificial de vanguardia puede revelar esos patrones ocultos, y cómo ese conocimiento podría dar lugar a formas más inteligentes de monitorear y gestionar el aire que respiramos.

Un laboratorio rodante en un circuito del campus

Los investigadores convirtieron un carrito de golf eléctrico en un laboratorio móvil de aire y lo condujeron repetidamente alrededor del campus del Instituto Weizmann de Ciencia en Israel, una zona de apenas 1,1 kilómetros cuadrados. A bordo llevaban instrumentos que medían dióxido de nitrógeno (un gas relacionado con el tráfico), ozono, partículas finas (PM1 y PM2.5), temperatura, humedad, presión y viento. Durante tres estaciones en 2024 completaron 66 recorridos por una ruta fija con 17 paradas planificadas, recogiendo alrededor de 180.000 mediciones aproximadamente cada 5 metros a lo largo del trazado. Luego combinaron estas lecturas con imágenes aéreas detalladas que mostraban dónde estaban edificios, carreteras, vegetación y terreno abierto, convirtiendo el campus en un “mapa” de alta resolución tanto de la contaminación como de las superficies con las que interactúa.

Puntos calientes ocultos y ritmos diarios

Los mapas revelaron que los niveles de contaminantes pueden cambiar de forma dramática en distancias cortas. El dióxido de nitrógeno en algunas zonas del campus llegó a ser hasta el doble que en otras, sobre todo cerca de una calle principal y muy cerca de una autopista y una planta cementera próximas. Las obras de construcción destacaron como fuentes importantes de partículas gruesas, pero solo en condiciones secas: en las mañanas húmedas, la arena mojada producía mucho menos polvo. El equipo también observó patrones diarios marcados: el dióxido de nitrógeno y las partículas finas tendían a dispararse por la mañana con el tráfico y luego disminuir a medida que el ozono, formado por la luz solar, aumentaba hacia el mediodía. El ozono en sí fue sorprendentemente homogéneo en el espacio, pero varió mucho a lo largo del día. Estos hallazgos subrayan que las lecturas “promedio” de la ciudad pueden pasar por alto bolsas intensas y de corta duración de exposición a apenas unas calles de distancia.

Enseñar a una IA a rellenar los huecos

Dado que es imposible medir en todos los lugares a la vez, el equipo se volcó en un tipo moderno de IA conocido como transformer —similar en espíritu a los modelos que impulsan herramientas avanzadas de lenguaje. Entrenaron un autoencoder enmascarado basado en transformer para tomar un conjunto muy limitado de mediciones (solo una cuarta parte de todos los puntos y variables del mapa) y reconstruir las tres cuartas partes faltantes. Para compensar el conjunto de datos del mundo real relativamente pequeño, primero preentrenaron el modelo con campos sintéticos generados por ordenador que imitaban patrones complejos pero realistas. Tras afinarlo con los datos del campus, la IA pudo reproducir mapas detallados de contaminación y meteorología con alta precisión, capturando alrededor del 89% de la variabilidad real y clasificando correctamente niveles de bajos a extremos en diez categorías con gran fiabilidad.

A qué “presta atención” el modelo

A diferencia de muchos sistemas de IA opacos, los transformers ofrecen una ventana sobre cómo toman decisiones a través de sus patrones de “atención” —medidas numéricas de qué entradas influyen en cada predicción. Al seguir esa atención, los investigadores pudieron ver, por ejemplo, que el modelo con frecuencia se apoyaba en datos de partículas cercanas para estimar dióxido de nitrógeno, y que la información sobre viento y cobertura del suelo —dónde había carreteras, edificios y vegetación— desempeñaba un papel desproporcionado a pesar de correlaciones simples débiles. La vegetación y los edificios fueron especialmente importantes para predecir dióxido de nitrógeno y PM2.5, lo que pone de relieve cómo árboles y muros moldean el flujo de aire y la acumulación de contaminantes a escalas muy pequeñas. Los datos de viento, aun cuando eran ruidosos en un carrito en movimiento, seguían aportando pistas valiosas sobre cómo se dispersan y diluyen las plumas de contaminación.

Diseñar una monitorización más inteligente con menos mediciones

Puesto que el transformer puede trabajar con conjuntos flexibles de puntos de entrada, el equipo probó usar solo las ubicaciones más “informativas” identificadas por los mapas de atención. Encontraron que, en lugar de muestrear al azar el 25% del campus, podían elegir un puñado de puntos clave —a veces tan pocos como 15 puntos en todo el sitio— y aún así reconstruir los principales patrones de contaminación y meteorología mejor que un método estadístico estándar. Esto sugiere una nueva forma de planificar rutas de monitorización y la colocación de sensores: dejar que una IA entrenada con encuestas previas destaque los lugares donde cada nueva lectura aporta más información, reduciendo costos sin sacrificar el valor científico.

Qué significa esto para las personas que respiran el aire

Para el público general, el mensaje principal es simple: la calidad del aire que experimentas al caminar por tu propia calle puede ser muy diferente de lo que informa una estación lejana, y esas diferencias dependen del tráfico cercano, los edificios, los árboles e incluso el momento de las obras. Este estudio demuestra que una pequeña flota de sensores móviles, guiada e interpretada por una IA explicable, puede cartografiar estas variaciones a escala de barrio con un detalle notable. A largo plazo, tales enfoques podrían ayudar a los urbanistas a decidir dónde plantar árboles o desviar el tráfico, orientar estudios de salud que reflejen mejor la exposición real y permitir redes de monitorización más eficientes e inteligentes que controlen de cerca el aire que respiramos puerta a puerta.

Cita: Nissenbaum, D., Bagon, S., Sarafian, R. et al. Learning neighborhood-scale cross-dependencies among air pollutants, meteorology and land cover using mobile sensing and transformers. npj Clean Air 2, 13 (2026). https://doi.org/10.1038/s44407-026-00054-9

Palabras clave: contaminación atmosférica urbana, sensores móviles, modelos transformer, mapeo a escala de barrio, monitorización de la calidad del aire