FuXi-Air: predicción de la calidad del aire basada en aprendizaje automático multimodal de emisiones, meteorología y contaminantes

Por qué el aire más limpio necesita previsiones más rápidas

La contaminación del aire es una de las amenazas para la salud más persistentes en las ciudades modernas, pero las herramientas que utilizamos para predecir los días de mala calidad del aire suelen ser lentas, costosas y no siempre precisas en los lugares donde la gente realmente vive y trabaja. Este estudio presenta FuXi‑Air, un sistema basado en inteligencia artificial que puede predecir los principales contaminantes urbanos para los próximos tres días en solo segundos, con el objetivo de ofrecer a las autoridades municipales y al público avisos más tempranos y fiables para proteger mejor su salud.

Ver el aire de la ciudad como un sistema en movimiento

Las previsiones tradicionales de calidad del aire se apoyan en modelos informáticos extensos que simulan cómo se forman, transportan y eliminan en la atmósfera los gases y las partículas. Estos modelos capturan detalles físicos y químicos, pero requieren ordenadores potentes y muchas horas de procesamiento, y su precisión está limitada por cómo representan el tiempo local y las fuentes de contaminación. Al mismo tiempo, muchos enfoques de aprendizaje automático se han centrado solo en mediciones de contaminación en sitios individuales o en contaminantes únicos, lo que dificulta su uso en previsiones urbanas a escala real. FuXi‑Air está diseñado para cerrar esa brecha tratando el aire de la ciudad como un sistema conectado, combinando información sobre el tiempo, las emisiones y los niveles de contaminación existentes en un único marco.

Cómo funciona el nuevo modelo de IA

FuXi‑Air integra tres corrientes principales de datos: previsiones meteorológicas de alta resolución procedentes de un modelo meteorológico de IA independiente, inventarios detallados de emisiones que describen cuánto contaminante emiten el tráfico, la industria y otras fuentes, y lecturas continuas de estaciones de vigilancia en tierra. Dentro de FuXi‑Air, módulos especializados de aprendizaje profundo aprenden cómo se relaciona la contaminación entre distintos puntos y cómo evoluciona en el tiempo. Otro módulo se centra en cómo los patrones meteorológicos y las emisiones moldean esos cambios, enseñando al sistema a reconocer las condiciones que conducen a acumulación o dispersión de contaminación. Al predecir primero en pasos de seis horas y luego refinar esos valores a intervalos horarios, FuXi‑Air puede ofrecer previsiones de 72 horas para seis contaminantes clave en docenas de sitios de cada ciudad en alrededor de medio minuto.

Poniendo el sistema a prueba en tres megaciudades

Los investigadores probaron FuXi‑Air en Pekín, Shanghái y Shenzhen—tres megaciudades chinas con climas y patrones de contaminación muy distintos. Compararon sus previsiones de ozono, dióxido de nitrógeno, dióxido de azufre, monóxido de carbono y dos tamaños de materia particulada con las mediciones de 2023. En general, el modelo reprodujo bien la sincronía y la magnitud de los picos de contaminación, especialmente para ozono y partículas finas (PM2.5). También demostró robustez cuando los niveles de contaminación eran relativamente bajos y estables, como en Shenzhen. Permanecieron algunos desafíos para las partículas gruesas (PM10), particularmente en Pekín, donde las tormentas de polvo y el transporte a larga distancia juegan un papel mayor y son más difíciles de capturar con los datos disponibles.

Superando modelos convencionales y explorando lo que más importa

Para evaluar si FuXi‑Air está listo para uso práctico, el equipo lo comparó con un sistema de previsión convencional ampliamente utilizado que acopla un modelo meteorológico con un modelo detallado de calidad del aire. En nueve meses de previsiones para Shanghái, FuXi‑Air redujo de forma consistente los errores de predicción para los seis contaminantes, disminuyendo algunos errores en más de la mitad mientras se ejecutaba en segundos en lugar de horas. Los investigadores también llevaron a cabo experimentos sistemáticos de “ablación”, apagando y encendiendo distintas fuentes de datos. Cuando eliminaron la información meteorológica, el modelo perdió capacidad para seguir los ciclos día‑noche y los picos de contaminación, especialmente del ozono y las partículas finas. Omitir los datos de emisiones debilitó su habilidad en ciudades donde predominan las fuentes locales. Estas pruebas mostraron que combinar tiempo, emisiones y datos de monitorización es crucial, aunque la meteorología suele proporcionar el mayor impulso individual a la calidad de la predicción.

Diferentes ciudades, diferentes impulsores del aire sucio

Al comparar resultados entre ciudades, el estudio también arroja luz sobre cómo las condiciones locales moldean la contaminación. En Pekín, la calefacción invernal y los episodios regionales de polvo hacen que los patrones de viento a gran escala y la estabilidad del aire controlen fuertemente los niveles de partículas, por lo que los datos meteorológicos fueron los más determinantes. En Shenzhen, con su clima costero cálido y húmedo y fuerte ventilación, las emisiones industriales y del tráfico locales jugaron un papel mayor en los niveles de partículas finas. Shanghái quedó entre estos extremos, influenciada tanto por brisas tierra‑mar como por fuentes locales. Para gases como el monóxido de carbono y el dióxido de azufre, las emisiones fueron los principales motores, pero aun así, el terreno local y la meteorología a veces intensificaron su acumulación.

Qué significa esto para la protección de la salud pública

FuXi‑Air demuestra que los sistemas de IA diseñados con cuidado pueden ofrecer previsiones de calidad del aire rápidas y a escala urbana que igualan o superan a los métodos tradicionales usando muchos menos recursos informáticos. Aunque el modelo aún tiene dificultades con algunos episodios de partículas gruesas y depende de inventarios de emisiones que podrían mejorarse, ya ofrece una herramienta práctica para alertas tempranas y gestión inteligente de la ciudad. Con información mejor y más oportuna sobre cuándo y dónde el aire será insalubre, las autoridades pueden orientar los controles de emisiones con mayor eficiencia y los residentes pueden ajustar sus actividades para reducir la exposición—convirtiendo datos complejos sobre la atmósfera en orientación accionable para una vida urbana más limpia y saludable.

Cita: Geng, Z., Fan, X., Lu, X. et al. FuXi-Air: air quality forecasting based on emission-meteorology-pollutant multimodal machine learning. npj Clean Air 2, 21 (2026). https://doi.org/10.1038/s44407-026-00061-w

Palabras clave: predicción de la calidad del aire, contaminación del aire urbano, aprendizaje profundo, meteorología y emisiones, protección de la salud pública