%0 Journal Article 
%A Cantos Piñero, Iván
%T Aplicación de Explainable AI en la predicción de contaminantes atmosféricos
%D 2026
%U http://hdl.handle.net/10498/40130
%X La contaminación atmosférica y sus graves repercusiones sobre la salud pública constituyen uno de los mayores y más conocidos desafíos globales de este siglo. En España, esta problemática cobra especial urgencia en grandes ciudades como Madrid, donde los reiterados episodios de alta toxicidad han obligado a implementar estrictos protocolos de actuación y zonas de restricción de movilidad.

A menudo, la activación de estas medidas preventivas genera rechazo ciudadano al percibirse como imposiciones repentinas. Para mejorar la anticipación y gestión de estos episodios, directrices europeas y la comunidad científica instan a las administraciones a transitar desde los tradicionales modelos deterministas de dispersión química hacia sistemas de predicción avanzados basados en aprendizaje automático. Sin embargo, estos algoritmos operan habitualmente como una caja negra. Si las futuras restricciones de movilidad urbana van a depender de estos modelos complejos, será imprescindible evitar que el sistema dictamine alertas de contaminación sin la capacidad de justificar el razonamiento subyacente a su predicción.

Para resolver este reto, el presente trabajo propone el diseño, evaluación e integración de técnicas de Inteligencia Artificial eXplicable (XAI) aplicadas a la calidad del aire. A través del modelado de contaminantes como los óxidos de nitrógeno, el ozono troposférico o el tolueno, se auditará el comportamiento de múltiples arquitecturas predictivas sobre un amplio espacio de características que abarca la meteorología y el tráfico rodado de la capital. El despliegue de métricas XAI permitirá diseccionar el proceso interno de los algoritmos y traducir su compleja lógica matemática en causalidad física comprensible.

Los resultados han demostrado la viabilidad de anticipar la calidad del aire en Madrid con un alto nivel de fiabilidad, apoyándose en la integración de datos meteorológicos y flujos de tráfico rodado. La aplicación de XAI ha certificado que el razonamiento interno de los algoritmos coincide con la física real de los contaminantes, confirmando que los modelos asimilan dinámicas atmosféricas legítimas a pesar de contar únicamente con un trimestre de registros.

%K Calidad del aire
%K series temporales
%K inteligencia artificial explicable
%K aprendizaje automático
%K modelos de boosting
%K deep learning
%~ Universidad de Cádiz