Desarrolla estudiante de FI UAQ app para detectar niveles de contaminación

Una aplicación de inteligencia artificial que ayude a mejorar el monitoreo y modelación de contaminantes-criterio, mediante una red inteligente, es la iniciativa que desarrolla Julio Alberto Ramírez Montañez, estudiante del Doctorado en Ingeniería de la Universidad Autónoma de Querétaro, gracias al financiamiento del Fondo de Proyectos Especiales de Rectoría (Foper) 2021.

Los contaminantes-criterio son aquellos agentes a los que se les ha establecido un límite máximo permisible de concentración en el aire, con la finalidad de proteger la salud y asegurar el bienestar de la población. Estos son: ozono, dióxido de azufre, monóxido de carbono, dióxido de nitrógeno y las partículas en suspensión.

“La Red Automática de Monitoreo Atmosférico tiene apertura de consulta de todos sus datos. Sin embargo, los registros que se tienen en esta -comparados con la cantidad de reportes de contingencia- arrojan una mínima cifra; quiere decir que hay más incidencias que no se señalan y tiene que ver con un mal procesamiento de datos, pues cuando se reporta es en el preciso momento y los que ocurrieron ya no son mencionados”, indicó el estudiante.

En México hay poca evidencia del daño que genera la contaminación del aire. De acuerdo con el reporte 2020 del Instituto Mexicano para la Competitividad, en el periodo de 2010 a 2013 se destinaron 14 mil millones de pesos para gastos relacionados con problemas atmosféricos. En este sentido, resulta primordial promover herramientas que promuevan la prevención.

El proyecto explora la posibilidad de generar alertas por medio del monitoreo y modelado de los datos de diferentes redes para que “en un futuro -como con el clima- se puedan pronosticar e idear las acciones pertinentes”, señaló Ramírez Montañez.

La iniciativa se divide en dos etapas: en la primera se emplean referencias de la Red Automática de Monitoreo Atmosférico (RAMA) de 2000 a 2021 para poder modelar el prototipo de red, pues se requiere una gran cantidad de datos y, con ello, también lograr mayor asertividad; en la segunda, el algoritmo entrenado puede reconocer y predecir el patrón del comportamiento.

“Lo que sigue es censar diversas variables ambientales, a través de sensores de ozono, óxido de nitrógeno y óxido de azufre. Estamos optando por incluir otras como temperatura, velocidad del viento o humedad para complementar el algoritmo con todos los niveles de entrada. Teniendo el algoritmo entrenado se podrán modelar y generar alertas evaluadas con diferentes tiempos de anticipación. Por ejemplo, a 12, 24, 48 y 72 horas”, detalló.