Desarrollo de un algoritmo para la predicción de tres parámetros ambientales

Resumen

La anticipación concreta de parámetros medioambientales, generada con el uso de datos en tiempo real, es fundamental para optimizar el seguimiento y el control de la contaminación del aire y del cambio climático. En este artículo, se desarrolló un algoritmo basado en redes neuronales para predecir parámetros ambientales controlados y con datos adquiridos por sensores IoT. Se presenta una comparación y análisis de la precisión de cuatro modelos de Machine Learning: Regresión Lineal, Árbol de Decisión, Random Forest y Redes Neuronales. El objetivo principal de este manuscrito es predecir tres contaminantes críticos (ozono, monóxido de carbono y propano) y dos variables ambientales complementarias (temperatura y humedad). Los resultados revelan que los modelos de predicción de Árbol de Decisión y Random Forest son especialmente precisos para la variable humedad, mientras que las Redes Neuronales destacan en la predicción de los niveles de ozono. Este estudio demuestra la capacidad de los modelos avanzados de aprendizaje automático para manejar datos ambientales complejos. Estos hallazgos importantes se proponen como un punto de partida para ser evaluados de forma detallada en diferentes escenarios con implicaciones para la gestión ambiental y la salud pública.