Beneficios de los modelos basados en algoritmos de machine learning para la predicción de concentraciones de PM2.5 en el Valle de Aburrá

Abstract

RESUMEN: Esta monografía hace una revisión crítica de la utilización de algoritmos de machine learning para la predicción de concentraciones de contaminantes atmosféricos, identificando cuáles serían sus beneficios y limitaciones para la predicción de concentraciones de PM2.5 en el Valle de Aburrá. Se hace una revisión general de casos de estudio publicados en revistas indexadas desde el 2019 y el análisis de las condiciones particulares del Valle de Aburrá que inciden en las concentraciones de contaminantes atmosféricos. Se seleccionaron y analizaron algunos casos de estudio en los que se identificaron las principales características de desarrollo de los modelos como datos de entrada, tipo de algoritmo utilizado, métricas de desempeño y algoritmo de mejor desempeño. El análisis dio como resultado que los modelos desarrollados hasta la fecha permiten predecir concentraciones de contaminantes a un nivel que pueda ser útil para un sistema de alerta temprana, permitiendo también representar las condiciones de inmisión del Valle de Aburrá y sus particularidades topográficas, meteorológicas y de emisión que inciden en las concentraciones de PM2.5, e indican la presencia de fenómenos como picos abruptos de concentración. Sin embargo aún no se pudo identificar un algoritmo particular que tuviese un mejor desempeño para este tipo de aplicaciones, debido a que se suelen usar algoritmos específicos en cada caso de estudio, dificultando su reusabilidad y repetibilidad. También se estableció que el Valle de Aburrá cuenta con la información necesaria para construir los conjuntos de datos de entrenamiento para la implementación de modelos de machine learning para la predicción de las concentraciones de material particulado.

ABSTRACT: This work carried out a critical review of the use of machine learning algorithms for the prediction of concentrations of air pollutants, identifying what their benefits are for the prediction of PM2.5 concentrations in the Aburrá Valley. We reviewed case studies published in journals indexed since 2019 and studies on the conditions of the Aburrá Valley that affect the concentrations of atmospheric pollutants. We selected case studies that use machine learning, identifying the main characteristics of the models, such as input data, type of algorithm used, performance metrics and the best performing algorithm. Results show that the machine learning models developed to date allow predicting pollutant concentrations at a level that can be useful for an early warning system of PM2.5 concentrations, even in abrupt concentration peaks, allowing the representation of the immission conditions of the Aburrá Valley with its topographical, meteorological and environmental characteristics. However, we did not identify a particular algorithm that would have a better performance for this type of applications, because the algorithms are very specific and case-oriented, making their reusability and repeatability difficult. Currently, the Valle de Aburrá has the necessary data and information to build the training sets for the implementation of these kinds of algorithms to predict concentrations of particulate matter.