VALENCIA.- Un equipo del Instituto ITACA de la Universitat Politècnica de València (UPV) y el Instituto de Física Corpuscular (IFIC) --centro mixto del Consejo Superior de Investigaciones Científicas (CSIC) y la Universitat de València (UV)--, ha desarrollado un innovador sistema de predicción y alerta temprana de tráfico urbano basado en técnicas de deep learning.
El nuevo método, que permite anticipar episodios de alta contaminación para facilitar la adopción de medidas preventivas, «está listo para exportarse y ayudar a mejorar la calidad del aire en entornos urbanos de todo el mundo», destacan los investigadores.
Aplicado a la ciudad de Valencia, este sistema permite anticipar con 30 minutos de antelación si un tramo de calle va a registrar un nivel de tráfico elevado, facilitando así la adopción de medidas preventivas para reducir la contaminación y proteger la salud de la ciudadanía.
En su trabajo, el equipo del Instituto ITACA (UPV) e IFIC (CSIC-UV) parte de una premisa: reducir las emisiones del transporte no solo contribuye a mitigar el cambio climático, sino que también mejora de forma directa la calidad del aire en las ciudades.
En el caso de Valencia, por ejemplo, el tráfico representa alrededor del 60*% de las emisiones totales de gases de efecto invernadero (GEI).
«El tráfico urbano es una fuente importante de contaminantes atmosféricos nocivos. No debemos olvidar que la contaminación del aire es la principal causa ambiental de muertes prematuras», señala Edgar Lorenzo-Sáez, investigador del Instituto Itaca y uno de los autores del estudio.
El experto recuerda que la mala calidad del aire se ha vinculado a enfermedades como el asma, el cáncer de pulmón o los problemas cardiovasculares, «responsables de unas 300.000 muertes prematuras al año en la UE».
El sistema desarrollado por el equipo de la UPV y el IFIC ha sido entrenado con datos procedentes de 1.472 sensores de tráfico distribuidos por toda la ciudad y complementado con variables meteorológicas (viento, lluvia, presión atmosférica...).
Clasifica cada segmento de vía en tres niveles de alerta y, gracias al uso de redes neuronales tipo LSTM (Long Short-Term Memory), alcanza una elevada precisión en tiempo real, incluso en las horas punta.
Además, el modelo ha demostrado que los datos de tráfico pueden servir como un indicador fiable de los niveles de NOx (óxidos de nitrógeno), uno de los contaminantes más perjudiciales para la salud, especialmente útil en entornos donde no se dispone de una red densa de sensores de calidad del aire.
Esta capacidad permitiría reforzar la efectividad de las Zonas de Bajas Emisiones (ZBE), con medidas más localizadas y ajustadas al riesgo real de cada calle, evitando restricciones generalizadas de mayor impacto social.
«Nuestro sistema acierta en el 90% de los casos cuando el tráfico es fluido y en el 70% cuando anticipa episodios de tráfico elevado. Esto abre la puerta a decisiones más ágiles que eviten superar los límites legales de contaminación en zonas sensibles», añade Edgar Lorenzo-Sáez.
Por su parte, Javier Urchueguía, también investigador de Itaca, destaca: «Hemos comprobado una correlación directa entre los flujos de tráfico y los niveles de NOx registrados, lo que nos permite generar alertas incluso sin una red completa de sensores de calidad del aire. Es un hallazgo clave para muchas ciudades europeas con recursos limitados».
Este trabajo supone un avance relevante en la gestión urbana basada en datos, integrando la inteligencia artificial como herramienta para abordar desafíos medioambientales complejos.
Según sus autores, el sistema puede convertirse en un instrumento esencial para diseñar intervenciones más dinámicas, eficaces y socialmente aceptadas, especialmente orientadas a proteger a colectivos vulnerables como escolares, personas mayores o pacientes con enfermedades respiratorias.
Entre las futuras líneas de desarrollo se incluyen la creación de un gemelo digital de la ciudad de Valencia que permita simular medidas antes de su aplicación real y la incorporación de sensores del internet de las cosas (IoT, por sus siglas en inglés) adicionales para mejorar la predicción directa de contaminantes.
El estudio ha sido publicado en la revista científica Neural Computing and Applications y ha contado con el respaldo de instituciones como la Generalitat Valenciana y el Ministerio de Ciencia,Innovación.
No hay comentarios:
Publicar un comentario