Browsing by Subject "Air quality"

Now showing 1 - 2 of 2
  • Thumbnail Image
    Item
    Correlación entre cobertura vegetal y niveles de contaminación del aire en los alrededores de Cali: un enfoque basado en análisis de datos satelitales e inteligencia artificial
    (Pontificia Universidad Javeriana Cali, 2025) Villarreal Monsalve, Alejandro; Osorio Serna, Carlos Andrés; Méndez Gutiérrez, Nicolás; Solano Correa, Yady Tatiana
    Este trabajo de maestría investiga la relación entre la infraestructura verde urbana y la calidad del aire en Santiago de Cali, empleando técnicas de Ciencia de Datos y teledetección. El objetivo central fue determinar la correlación estadística entre la densidad de la cobertura vegetal y las concentraciones de material particulado (𝑃𝑀10 y 𝑃𝑀2.5) en la ciudad. La metodología consistió en el desarrollo de un flujo de trabajo (ETL) que integró imágenes satelitales de alta resolución de la constelación PlanetScope con datos históricos (2017 2020) de seis estaciones de monitoreo oficiales (SVCASC). Para la clasificación de la cobertura del suelo, se evaluaron diversos algoritmos de aprendizaje automático, siendo Random Forest el de mejor desempeño con una exactitud del 83.33%, superando a modelos como XGBoost y SVM. Los resultados arrojaron una correlación global de Pearson de 𝑟 = −0.37, confirmando que existe una relación inversa moderada: a mayor vegetación, menor contaminación. No obstante, el estudio destacó hallazgos críticos sobre la distribución espacial del problema. En el centro (estaciones Obrero y La Ermita), el efecto de "cañón urbano" y la alta densidad de emisiones saturan la capacidad de mitigación de la vegetación existente. Simultáneamente, se identificó una profunda desigualdad ambiental en el oriente de la ciudad (estación Compartir), donde la pérdida acelerada de cobertura vegetal coincide con un aumento en los niveles de 𝑃𝑀2.5. Se concluye que, si bien la vegetación actúa como un filtro natural funcional, en muchas zonas de Cali se encuentra saturada o es insuficiente. El estudio recomienda integrar urgentemente estrategias de expansión de áreas verdes en la planificación territorial para mejorar la salud pública.
  • Thumbnail Image
    Item
    Desarrollo de un sistema de monitoreo y análisis para la calidad del aire usando Internet de las Cosas (IoT) y tecnologías de Machine Learning (ML) en tres puntos geográficos de la ciudad de Bogotá
    (Pontificia Universidad Javeriana Cali, 2025) Ariza Gutiérrez, Alvaro Mauricio; Sierra Guzmán, Carlos Johany; Tamura Morimitsu, Eugenio
    Este proyecto desarrolla un sistema inteligente de monitoreo, análisis y predicción de la calidad del aire en tres puntos estratégicos de Bogotá, integrando tecnologías de Internet de las Cosas (IoT) y Machine Learning (ML). El objetivo es ofrecer información en tiempo real y predicciones sobre los niveles de monóxido de carbono (CO) y material particulado fino (PM2.5), dos de los contaminantes atmosféricos más críticos para la salud pública urbana. El sistema surge como una solución complementaria a la limitada cobertura de las estaciones oficiales, proponiendo una alternativa de bajo costo, escalable y descentralizada. Para la captura de datos se utilizan sensores SEN0564 para CO y PMS5003 para PM2.5, conectados a microcontroladores ESP32 programados en Arduino IDE. Estos dispositivos envían los datos a la plataforma en la nube ThingSpeak, donde se almacenan, visualizan y procesan los datos. La etapa analítica y predictiva se desarrolla en Python, utilizando Google Colab Notebooks, donde se aplican técnicas de análisis exploratorio (EDA) y se entrenan redes neuronales LSTM (Long Short-Term Memory), apropiadas para series temporales. Para cada contaminante y cada medidor se construye un modelo independiente, optimizado con Keras Tuner y Random Search para encontrar los mejores hiperparámetros. Se obtuvieron resultados (por ejemplo, R² superiores al 0.98 y RMSE bajos), lo cual valida la precisión del enfoque empleado. En paralelo, se diseñó una interfaz web con Google Sites, donde se integran las visualizaciones dinámicas desde ThingSpeak. Además, se implementó un sistema de alertas automáticas con Telegram, programado directamente desde ThingSpeak mediante TimeControl, React y ThingHTTP. Las alertas no se generan con base en el AQI, sino mediante umbrales definidos por contaminante, por ejemplo, valores mayores a 4.5 ppm para CO o 9.1 μg/m³ para PM2.5, notificando a un grupo de usuarios cuando se superan dichos niveles. La combinación de estas herramientas permite desplegar un sistema modular, automatizado y transparente, capaz de generar alertas tempranas, visualizar tendencias de contaminación y ofrecer predicciones horarias, todo sin depender de infraestructura costosa. El sistema puede escalarse fácilmente a otras zonas urbanas, incorporarse a estrategias de gestión ambiental y contribuir a fortalecer la participación ciudadana en el monitoreo de la calidad del aire.