Más allá del modelado espaciotemporal: una revisión de las aplicaciones del aprendizaje automático para la contaminación del aire relacionada con el tráfico hacia las emisiones no por escape

Por qué el polvo del tráfico sigue importando

Muchas ciudades están limpiando los gases de escape, pero el tráfico sigue siendo una fuente importante de contaminación atmosférica dañina. Este artículo de revisión explica cómo los métodos informáticos modernos, conocidos como aprendizaje automático, se emplean para rastrear y comprender mejor la contaminación del aire relacionada con el tráfico, especialmente las partículas diminutas que provienen del desgaste de frenos, neumáticos y del polvo de la calzada en lugar del tubo de escape. Estos conocimientos pueden ayudar a urbanistas y expertos en salud a diseñar políticas más inteligentes para proteger a las personas que viven, trabajan y se desplazan cerca de carreteras concurridas.

De los humos de escape al desgaste invisible de la carretera

La contaminación del aire relacionada con el tráfico incluye tanto gases como partículas. Durante años, la mayor atención se centró en los gases de escape de la combustión, como los óxidos de nitrógeno y las partículas finas que dañan los pulmones y el corazón. Las normativas y motores más limpios han reducido de forma constante esas emisiones de escape. Pero las partículas procedentes del desgaste de frenos, del desgaste de neumáticos, del abrasión de la superficie vial y del polvo re-suspendido constituyen ahora una proporción creciente de lo que respiramos junto a las vías. Estas fuentes no por escape son más difíciles de medir y controlar, y contienen metales y otras sustancias vinculadas al asma, a enfermedades cardíacas y, posiblemente, a afecciones como el autismo infantil y la enfermedad de Parkinson.

Enseñar a los ordenadores a cartografiar el aire sucio

Puesto que es imposible instalar sensores de aire en cada esquina, los investigadores usan el aprendizaje automático para cubrir los vacíos. Alimentando los modelos con información sobre niveles de tráfico, uso del suelo, meteorología y lecturas de sensores fijos y móviles, pueden crear mapas detallados de contaminantes como partículas finas, metales y gases del tráfico a lo largo de una ciudad. Los métodos basados en árboles y el aprendizaje profundo suelen captar patrones complejos en estos datos, mientras que los métodos de grafos más recientes tratan los sitios de monitorización y las vías como una red conectada. Estas técnicas ayudan a revelar cuándo y dónde las personas están más expuestas, pero también presentan dificultades por los datos fragmentarios, las entradas inconsistentes y el reto de que modelos entrenados en una ciudad funcionen bien en otra.

Encontrar lo que más importa en la carretera

Más allá de la cartografía, el aprendizaje automático puede destacar qué factores influyen con mayor fuerza en los niveles de contaminación. Al examinar cómo cambian las predicciones del modelo cuando varían entradas como el comportamiento del conductor, el tipo de vehículo, la intensidad del frenado o el tiempo, los investigadores pueden inferir qué patrones merecen atención. Los estudios sugieren, por ejemplo, que los frenazos bruscos, los vehículos más antiguos y ciertos materiales de las pastillas de freno aumentan las emisiones de partículas finas. Sin embargo, estas clasificaciones de importancia no prueban causalidad y pueden verse distorsionadas por vínculos ocultos entre variables. Los autores subrayan que dichos resultados deben comprobarse con conocimiento físico y probarse en distintas ciudades antes de orientar políticas.

Acercándose a las partículas de freno y neumático

Algunos de los trabajos más novedosos usan el aprendizaje automático para separar y clasificar partículas individuales procedentes del polvo de la carretera y de muestras de aire. Microscopios potentes y sensores químicos generan enormes conjuntos de datos de imágenes y composiciones de miles de partículas. Los algoritmos aprenden entonces a distinguir desgaste de neumáticos, desgaste de frenos, minerales de la calzada y otros tipos de partículas que sería tedioso y propenso a errores clasificar manualmente. Los estudios de laboratorio sobre sistemas de freno y neumáticos emplean modelos similares para vincular decisiones de diseño, como el contenido metálico de las pastillas o los patrones de frenado, con la cantidad de materia particulate liberada. Estos métodos empiezan a separar la contaminación no por escape de otras fuentes, abriendo la puerta a pruebas de toxicidad más focalizadas y a materiales más limpios.

Rastreando de dónde procede la contaminación

Saber cuánto de la contaminación procede de cada fuente es crucial para una regulación inteligente. Las herramientas estadísticas tradicionales estiman qué proporción de las partículas medidas puede atribuirse al tráfico, a la industria u otros contribuyentes. El aprendizaje automático ofrece ahora formas nuevas de agrupar muestras con huellas químicas similares y de clasificar fuentes probables usando propiedades como el comportamiento magnético. Trabajos iniciales sugieren que estas herramientas pueden igualar o complementar métodos más antiguos mientras manejan datos más complejos, aunque siguen requiriendo interpretación experta cuidadosa para evitar etiquetados erróneos de las fuentes.

Qué significa esto para el aire y la salud urbana

En conjunto, la revisión concluye que el aprendizaje automático se ha convertido en un socio potente para estudiar la contaminación del aire relacionada con el tráfico, en especial el creciente problema de las emisiones no por escape. Ayuda a construir mapas de exposición más finos, a revelar patrones en la conducción y el diseño de vehículos que aumentan o reducen las emisiones, y a desenmarañar la mezcla de partículas que se agitan junto a nuestras vías. Al mismo tiempo, la escasez de datos, las decisiones de modelado poco claras y la débil transferencia entre lugares siguen siendo obstáculos importantes. Los autores sostienen que el progreso dependerá de mejores sensores, conjuntos de datos compartidos y métodos que combinen la pericia humana con algoritmos transparentes. Juntos, estos pasos pueden respaldar políticas que reduzcan las partículas nocivas del tráfico y ayuden a proteger la salud pública en ciudades cada vez más motorizadas.

Cita: Ho, N., Dhayade, S., Zhang, Y. et al. Beyond spatiotemporal modeling: a review of applications of machine learning for traffic-related air pollution toward non-exhaust emissions. npj Clean Air 2, 33 (2026). https://doi.org/10.1038/s44407-026-00078-1

Palabras clave: contaminación del aire por tráfico, emisiones no por escape, aprendizaje automático, desgaste de frenos y neumáticos, calidad del aire urbano