Modelos neuronales profundos de la calidad del aire en la zona metropolitana de Tula, Hidalgo

• Barrera Cervantes, Luis Felipe ^[1] ; Moreno Gutierrez, Silvia Soledad ^[1]
  1. [1] Universidad Autónoma del Estado de Hidalgo

     Universidad Autónoma del Estado de Hidalgo

     México

     
• Localización: Revista de Investigación en Tecnologías de la Información: RITI, ISSN-e 2387-0893, Vol. 13, Nº. 29, 2025 (Ejemplar dedicado a: Enero-Junio), págs. 109-124
• Idioma: español
• DOI: 10.36825/RITI.13.29.010
• Títulos paralelos:
  • Deep numeral models of air quality in the Tula metropolitan area, Hidalgo
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En las últimas décadas la creciente urbanización y desarrollo industrial han sido pilar para el desarrollo de zonas metropolitanas, lo que ha representado  un incremento en la producción y emisión de gases de efecto invernadero. Esta situación ha contribuido a incrementar  la contaminación del aire y ha dado lugar a una situación ambiental desfavorable que podría afectar a los ecosistemas, a la población y a la vida en general, por tanto, requiere la construcción de estrategias preventivas. Por lo anterior, se desarrollaron 2 modelos de inteligencia artificial para predecir  la calidad del aire en la Zona Metropolitana de Tula (ZMT), mediante algoritmos de clasificación y regresión con redes neuronales de aprendizaje profundo. Se aplicó la metodología CRISP-DM, considerando la ZMT como productor del 90% de contaminación en Hidalgo, se realizó entendimiento de datos y su preparación, previo al modelado y validación de cada uno. Aplicando métricas de evaluación se obtuvo una coeficiente de determinación r2 de .99, pérdida de 0.088 para el modelo de  regresión, para el de clasificación .93 de exactitud, precisión de .88 y F1-score de .81. Ambos modelos lograron representar el fenómeno de la calidad del aire y predecir de manera eficiente.

  • English

    In recent decades, increasing urbanization and industrial development have been a cornerstone of metropolitan development, representing an increase in the production and emission of greenhouse gases. This situation has led to air pollution and an unfavorable environmental situation that could affect ecosystems, the population, and life in general. Therefore, preventive strategies are required. Therefore, two artificial intelligence models were developed to predict air quality in the Tula Metropolitan Area (TMA) using classification and regression algorithms with deep learning neural networks. The CRISP-DM methodology was applied, considering the TMA as the producer of 90% of pollution in Hidalgo. Data understanding and preparation were performed prior to modeling and validating each model. Applying evaluation metrics resulted in an r2 of .99, a loss of 0.088 for the regression model, a .93 accuracy for the classification model, a precision of .88, recall of .79 and F1-score of .81 Both models were able to represent the air quality phenomenon and predict it efficiently.

• Referencias bibliográficas
  • World Health Organization: WHO. (2023). Cambio climático. https://www.who.int/es/news-room/fact-sheets/detail/climate-change-and-health
  • Benito Lozano, M., Rodríguez González, S. (2023, 16 noviembre). La imperiosa necesidad de programar la asistencia a urgencias, atendiendo...
  • Li, X., Peng, L., Hu, Y., Shao, J., Chi, T. (2016). Deep learning architecture for air quality predictions. Environmental Science and Pollution...
  • South China Morning Post. (2021). Air pollution kills 7 million a year, says WHO as it tightens guidelines. https://www.scmp.com/news/world/europe/article/3149735/air-pollution-kills-7-million-year-says-who-it-tightens
  • Wang, J., Li, J., Wang, X., Wang, J., Huang, M. (2020). Air quality prediction using CT-LSTM. Neural Computing And Applications, 33 (10),...
  • Chen, H., Guan, M., Li, H. (2021). Air Quality Prediction Based on Integrated Dual LSTM Model. IEEE Access, 9, 93285-93297. https://doi.org/10.1109/ACCESS.2021.3093430
  • Zou, X., Zhao, J., Zhao, D., Sun, B., He, Y., Fuentes, S. (2021). Air Quality Prediction Based on a Spatiotemporal Attention Mechanism. Mobile...
  • Hamami, F., Dahlan, I. A. (2022). Air Quality Classification in Urban Environment using Machine Learning Approach. IOP Conference Series Earth...
  • Chakma, A., Vizena, B., Cao, T., Lin, J., Zhang, J. (2017). Image-based air quality analysis using deep convolutional neural network. IEEE...
  • Ruiz Muñoz, G. F., Vasco Delgado, J. C. (2025). Integración de las tecnologías de la información y la comunicación (TIC) e inteligencia artificial...
  • Zhang, M., Wu, D., Xue, R. (2021). Hourly prediction of PM2.5 concentration in Beijing based on Bi-LSTM neural network. Multimedia Tools Applications,...
  • Qiu, W., Zhou, Y., He, H., Wang, B., Mu, G., Zhou, M., Ma., J., Zhang, Z., Cao, L., Xiao, L., Yuan, J., Chen, W. (2021). Short-term effects...
  • Zhao, F., Liang, Z., Zhang, Q., Seng, D., Chen, X. (2021). Research on PM2.5 Spatiotemporal Forecasting Model Based on LSTM Neural Network....
  • Wang, J., Li, X., Jin, L., Li, J., Sun, Q., Wang, H. (2022). An air quality index prediction model based on CNN-ILSTM. Scientific Reports,...
  • Han, Y., Zhang, Q., Li, V. O. K., Lam, J. C. K. (2021). Deep-AIR: A Hybrid CNN-LSTM Framework for Air Quality Modeling in Metropolitan Cities....
  • Zhang, Q., Lam, J. C. K., Li, V. O. K., Han, Y. (2020). Deep-AIR: A Hybrid CNN-LSTM Framework for Fine-Grained Air Pollution Forecast. arXiv...
  • Tiwari, A., Gupta, R., Chandra, R. (2021). Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown....
  • Sarmiento Sánchez, C. A. (2024). Predicción de Contaminantes Atmosféricos en Bogotá utilizando Redes LSTM. Ingenio Tecnológico. Revista de...
  • Mengara Mengara, A. G., Park, E., Jang, J., Yoo, Y. (2022). Attention-Based Distributed Deep Learning Model for Air Quality Forecasting. Sustainability,...
  • Buestán Andrade, P. A., Carrión Zamora, P. E., Chamba Lara, A. E., Pazmiño Piedra, J. P. (2025). A comprehensive evaluation of ai techniques...
  • Zaini, N. A., Ean, L. W., Ahmed, A. N., Malek, M. A. (2022). A systematic literature review of deep learning neural network for time series...
  • Abirami, S., Chitra, P. (2021). Regional air quality forecasting using spatiotemporal deep learning. Journal of Cleaner Production, 283. https://doi.org/10.1016/j.jclepro.2020.125341
  • Khan, H., Tso, J., Nguyen, N., Kaushal, N., Malhotra, A., Rehman, N. (2024). Novel Approach for Predicting the Air Quality Index of Megacities...
  • Méndez, M., Merayo, M. G., Núñez, M. (2023). Machine learning algorithms to forecast air quality: a survey. Artificial Intelligence Review,...