Redes neuronales para predicción de contaminación del aire en Carabayllo-Lima

Abstract

En el presente trabajo se desarrolla un modelo de pronóstico capaz de predecir (con múltiples etapas adelantadas) el comportamiento de las variables de contaminación ambiental de material particulado PM2.5 mediante el uso de los datos de concentraciones de contaminantes de material particulado (PM2.5 y PM10) y químicos (CO, SO2, NO) producidos en la estación automatizada de calidad de aire de Carabayllo. El modelo ha sido entrenado, con datos reales de la estación automatizada de calidad de aire del distrito de Carabayllo en el intervalo de 2 años, sobre tres diferentes algoritmos de retropropagación y dos modelos de neuronas en una única capa oculta para hallar parámetros de un modelo óptimo de predicción. Experimentalmente se probaron 6 modelos de redes sobre un rango de número de neuronas. La red optimizada fue aplicada sobre un grupo de 72 datos de prueba obteniendo resultados del modelo con un error porcentual medio de -0.1089% lo cual indica un pronóstico preciso para el caso de estudio. Un aporte de esta investigación es la demostración de que el modelo basado en redes neuronales artificiales es capaz de pronosticar variables de contaminación ambiental de material particulado con buena precisión y en una forma sencilla. Asimismo, el modelo se puede adaptar tanto para pronosticar otros contaminantes del aire (químicos o material particulado) como para datos generados en otras estaciones automatizadas de calidad de aire.