Aplicación de técnicas de machine learning para evaluar el impacto de medidas de calidad del aire
Energía y economía circular
Coralina Hernández Trujillo · CIEMAT - Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas
Marta García Vivanco (CIEMAT); Mark Theobald (CIEMAT); Juan Luis Garrido (CIEMAT); Victoria Gil (CIEMAT); Carlos Ordóñez (UCM); José Manuel Garrido (UCM)
Calidad ambiental y salud
Otro
Salud y bienestar, Ciudades y comunidades

La adopción de políticas e implementación de medidas efectivas para controlar y reducir la contaminación atmosférica, tanto a nivel internacional como nacional, ha puesto de relieve la necesidad de disponer de herramientas que permitan evaluar el impacto real de dichas medidas sobre la calidad del aire.
La interpretación de los impactos de las reducciones de emisiones a partir de los datos observados no es una cuestión trivial, ya que éstos no solo pueden verse afectados por la reducción de emisiones, sino que también están influenciados por las condiciones meteorológicas. Este hecho implica que, para evaluar el impacto de medidas implementadas para reducir la contaminación, no sería correcto comparar directamente las observaciones de un año en que dichas medidas estaban ya en marcha, por tanto, con emisiones reducidas, con un año anterior, en el que todavía tales medidas no se habían implementado.
Diversos estudios muestran metodologías para realizar una estimación de los valores que se hubiesen observado en un escenario sin reducción de emisiones (conocido como BAU, “business as usual”). Concretamente, en Gkatzelis et al., 2021, se muestra una revisión de distintos tipos de metodologías recogidas en la literatura, basadas en observaciones (BOO, based-on-observations) que tienen en cuenta la meteorología del año de estudio. Entre ellas, por ejemplo, se encuentran las que hacen uso de modelos de machine learning (como las utilizadas por Petetin et al. (2020) y Ordoñez et al. (2020)), fundamentados en el aprendizaje de datos históricos, considerando como entrada de aprendizaje algunas variables meteorológicas históricas, de manera que el valor de concentración que predicen toma en consideración las variaciones meteorológicas.
En este trabajo mostramos cómo funcionan estas metodologías para generar las observaciones ficticias que se hubieran producido sin aplicar medidas de reducción de emisiones con las condiciones meteorológicas del año pertinente. Presentaremos dos estudios distintos en los que hemos aplicado dichas metodologías: un estudio de evaluación de la reducción de emisiones durante la pandemia de ( o por?) la COVID-19; un estudio de evaluación del impacto de la reducción de emisiones en la zona de bajas emisiones implementada en Madrid a partir del año 2022.
Referencias
Gkatzelis, G. I., Gilman, J. B., Brown, S. S., Eskes, H., Gomes, A. R., Lange, A. C.,McDonald, J.P., Petzold, A., Thompson C.R., Kiendler-Scharr, A. (2021). The global impacts of COVID-19 lockdowns on urban air pollution: A critical review and recommendations. Elem Sci Anth, 9(1), 00176.
Ordóñez, C., Garrido-Perez, Jose M., García-Herrera, R. (2020): Early spring near-surface ozone in Europe during the COVID-19 shutdown: Meteorological effects outweigh emission changes, Science of The Total Environment,747, 141322
Petetin, H., Bowdalo, D., Soret, A., Guevara, M., Jorba, O., Serradell, K., and Pérez García-Pando, C. (2020): Meteorology-normalized impact of the COVID-19 lockdown upon NO2 pollution in Spain, Atmos. Chem. Phys., 20, 11119–11141
El objetivo de este trabajo es evaluar el impacto sobre la calidad del aire de medidas implementadas para reducir la contaminación atmosférica relacionadas con el tráfico rodado, a partir de una metodología basada en datos observados y modelos de machine learning.
La metodología propuesta implica un análisis de datos observados en el pasado, que responden a unas condiciones de emisiones anteriores a la implantación de una determinada medida de reducción de emisiones, para estimar el valor que se hubiera producido en esas condiciones de emisiones previas, es decir, sin aplicar ninguna medida de reducción de emisiones, con las condiciones meteorológicas del año pertinente. De alguna forma, se trataría de estimar, para el mismo año meteorológico en el que las medidas de reducción de emisiones ya están en marcha, qué valores observados se hubieran encontrado si las medidas de mejora no se hubiesen todavía aplicado. De esta forma, comparando estas observaciones “ficticias” con las observaciones reales, se pueden obtener conclusiones más centradas en el impacto del cambio de emisiones, eliminando de esta forma los posibles efectos meteorológicos.
En este estudio se presentan dos ejemplos de la aplicación de dichas metodologías, como ilustración de su potencialidad: un estudio de evaluación de la reducción de emisiones durante la pandemia de la COVID-19 y un estudio de evaluación del impacto de la reducción de emisiones en la zona de bajas emisiones (ZBE) implementada en Madrid a partir del año 2022.