Luis Felipe Barrera Cervantes
, Silvia Soledad Moreno Gutierrez
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.
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.