Monitoreo de la calidad del aire en Mendoza, Argentina: aplicación de técnicas de Machine Learning para la predicción de PM10

HEREDIA, BRUNO I. E.; CANIZO, BRENDA V.; DIEDRICHS, ANA L.; ALTAMIRANO, JORGELINA C.; CLAUSEN, RUTH; MARTINIS, ESTEFANÍA M.; QUINTAS, PAMELA Y.

San Miguel de Tucumán

Congreso; XIII Congreso Argentino de Química Analítica; 2025

Asociación Argentina de Químicos Analíticos (AAQA)

Este estudio combina diferentes metodologías estadísticas para evaluar la relación entre las concentraciones del material particulado (PM10) con diversas variables meteorológicas (temperatura, humedad relativa, dirección y velocidad del viento y presión atmosférica) y con los niveles de otros contaminantes (CO, NO₂, NO y O3) registrados durante el período 2021-2024 en la Ciudad de Mendoza, Argentina. Los resultados indican que una mayor humedad y temperatura podrían reducir los niveles de PM10 al mejorar la dispersión y deposición de partículas. A su vez, las correlaciones positivas entre PM10, NO y NO₂ sugieren un origen compartido, probablemente de las emisiones vehiculares. Por otro lado, para profundizar el estudio sobre el comportamiento de PM10, se desarrollaron modelos de predicción basados en Machine Learning (ML) para categorizar los niveles de PM10 como "buenos" o "malos", según el valor de 45 µg/m3, valor guía de calidad del aire propuesto por la OMS. Se evaluaron y compararon los rendimientos de los algoritmos Random Forest (RF) y Regresión Logística (LR), siendo RF el que mostró mejor capacidad predictiva (Fig. 1). Además, se analizó la influencia de las variables meteorológicas y de las concentraciones de contaminantes en las predicciones de PM10. Los resultados indican que los NOx (NO₂ y NO) contribuyen significativamente a la formación de PM10, reforzando su origen antrópico compartido. Asimismo, se concluyó que la temperatura, humedad y velocidad del viento también impactan en las predicciones de PM10, aunque en menor medida. La inclusión de estas variables destaca el papel en la dispersión y transformación de los contaminantes atmosféricos. Finalmente, cabe destacar que la implementación de modelos de ML podría ofrecer herramientas de monitoreo en tiempo real que contribuyan al diseño de políticas públicas orientadas a reducir las emisiones contaminantes y mejorar la salud ambiental.