Aplicación de Explainable AI en la predicción de contaminantes atmosféricos

Abstract

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.

Air pollution and its severe impacts on public health constitute one of the greatest and most widely recognized global challenges of this century. In Spain, this issue is particularly urgent in large cities like Madrid, where repeated episodes of high toxicity have forced the implementation of strict action protocols and mobility restriction zones.

Often, the activation of these preventive measures generates public resistance, as they are perceived as sudden impositions. To improve the anticipation and management of these episodes, European guidelines and the scientific community urge administrations to transition from traditional deterministic chemical dispersion models to advanced prediction systems based on machine learning. However, these algorithms typically operate as a black box. If future urban mobility restrictions are to rely on these complex models, it will be essential to prevent the system from issuing pollution alerts without the ability to justify the reasoning underlying its predictions.

To address this challenge, the present work proposes the design, evaluation, and integration of eXplainable Artificial Intelligence (XAI) techniques applied to air quality. Through the modeling of pollutants such as nitrogen oxides, tropospheric ozone, and toluene, the behavior of multiple predictive architectures will be audited across a broad feature space encompassing the capital's meteorology and road traffic. The deployment of XAI metrics will allow for the dissection of the algorithms' internal processes, translating their complex mathematical logic into understandable physical causality.

The results have demonstrated the feasibility of anticipating air quality in Madrid with a high level of reliability, supported by the integration of meteorological data and road traffic flows. The application of XAI has certified that the internal reasoning of the algorithms aligns with the real physics of the pollutants, confirming that the models assimilate legitimate atmospheric dynamics despite relying on only a single quarter of recorded data.