Aplicación de redes neuronales artificiales para la predicción de calidad de aire

Abstract

Se llevó a cabo la implementación de un predictor para el promedio diario de material particulado (PM) y el diseño y desarrollo de este software es descrito en este trabajo. El daño producido por el PM en la salud humana, está relacionado con el pequeño tamaño de las partículas. Las redes neuronales artificiales (RNs) han mostrado ser un método eficiente y universal en la aproximación de funciones para cualquier tipo de dato. Una RN fue escogida porque se ha demostrado que son eficaces cuando son aplicadas a predicciones de la calidad de aire. En comparación con otros trabajos similares, sólo una red fue realizada, pero varios prototipos fueron desarrollados y evaluados para evitar la arbitrariedad en las decisiones de diseño. Se experimentaron tres aspectos en particular del diseño de una RN: la normalización de los datos, la selección de la arquitectura y la selección de la función de activación. En base a nueve variables de entrada: dos estacionales, y siete meteorológicas; se determinó que la mejor candidata es una RN compuesta por: una capa de entrada lineal de nueve neuronas artificiales (NA), una capa oculta de catorce NA y una capa de salida de una NA; ambas con una función de activación tangente hiperbólica. Durante el desarrollo de un sistema de Data Warehousing (DW) para el monitoreo y control de polución en la ciudad de Bahía Blanca (Pcia. de Buenos Aires, Argentina), el conjunto de requerimientos incluía la necesidad de contar con herramientas que permitan la predicción de las concentraciones de varios contaminantes. En el futuro, esta herramienta terminada podrá ser embebida en dicho DW. Este trabajo es el comienzo del desarrollo de un entorno de predicción más complejo que abarcará diversos contaminantes en aire.