«Ampliación de capacidades de monitoreo y alerta de la red de estaciones de calidad del aire del Laboratorio de Mecánica y Energía – FIUNA», se denomina el Trabajo Final de Grado (TFG) presentado por la ahora ingeniera María Fernanda Carlés Galeano, como prueba final para egresar de la carrera de Ingeniería Mecatrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el miércoles 22 de Noviembre de 2023 en la Institución.

La contaminación del aire es un problema que afecta a las ciudades de numerosos paıses alrededor del mundo, y Paraguay no es la excepción. Este fenómeno es considerado un problema de salud pública y ambiental, ya que los gases contaminantes tienen un gran potencial de causar daños a la salud humana y ecosistemas. El problema de la polución del aire se encuentra asociado a un parque vehicular antiguo y de la baja calidad de combustibles fósiles utilizados en el sector. Un segundo factor que ha tenido impacto estacional en la calidad de aire es la quema de biomasa, esta práctica común del sector agropecuario se da principalmente en Paraguay y zona norte de Argentina, y es reconocido como la principal fuente de contaminación atmosférica a escala continental en Sudamérica.

El estudio realizado como Trabajo Final de Grado (TFG) tuvo como objetivo desarrollar modelos precisos de pronóstico de calidad del aire a corto plazo para Asunción, Paraguay, utilizando algoritmos de aprendizaje automático. El conjunto de datos, que consistió en concentraciones de MP, índices de calidad del aire, variables meteorológicas e información de tráfico, abarca 18 meses de mediciones de 10 estaciones situadas en Gran Asunción. Dos algoritmos de aprendizaje automático, Regresión de Vector de Soporte (SVR, por sus siglas en inglés) y XGBoost, implementados para regresión basada en ventanas, se optimizaron utilizando un grid search y un proceso de optimización bayesiana. Esta optimización exploró el impacto de la ventana de retroceso (w), la frecuencia de muestreo (f) y el horizonte de predicción (h) en el rendimiento del modelo. Los modelos se evaluaron mediante un esquema hold-out, y se entrenaron y evaluaron para todas las estaciones de la red.

Los resultados mostraron que el modelo XGBoost superó al modelo SVR, con un error absoluto medio de 2.774, 4.643 y 7.819 para las predicciones de AQI 2.5 utilizando horizontes de 6, 12 y 24 horas, respectivamente. El proceso de optimización mejoró significativamente el rendimiento de ambos modelos en comparación con el uso de configuraciones predeterminadas. Los hallazgos del estudio tienen implicancias para las decisiones de salud pública, y los modelos generados podrán utilizarse para emitir alertas o recomendaciones cuando se espera que los niveles de contaminación del aire sean altos.