VALÈNCIA, 1 de septiembre.

Un grupo de investigadores de la Universitat Politècnica de València (UPV) y del Instituto de Física Corpuscular (IFIC), que es un centro colaborativo entre el Consejo Superior de Investigaciones Científicas (CSIC) y la Universitat de València (UV), ha creado un novedoso sistema que permite predecir y alertar sobre el tráfico urbano mediante técnicas avanzadas de aprendizaje profundo.

Este sistema innovador, que posibilita la anticipación de episodios con altos niveles de contaminación, se encuentra preparado para ser implementado en diversas ciudades del mundo con el objetivo de mejorar la calidad del aire, según señalado por los propios investigadores.

En el contexto de València, esta herramienta es capaz de prever, con una anticipación de hasta 30 minutos, los tramos de calle que experimentarán un incremento significativo del tráfico, lo que permitirá a las autoridades tomar medidas preventivas para mitigar la contaminación y salvaguardar la salud pública.

El equipo de ITACA e IFIC parte de una premisa fundamental: disminuir las emisiones del transporte no solo combate el cambio climático, sino que también tiene un impacto directo en la mejora del aire en las urbes.

En València, por ejemplo, el tráfico se atribuye a aproximadamente el 60% de las emisiones de gases de efecto invernadero que se generan.

El investigador Edgar Lorenzo-Sáez subraya la gravedad del problema al recordar que el tráfico urbano es una fuente primordial de contaminantes que afectan nuestra atmósfera. "La contaminación del aire es la principal causa ambiental de muertes prematuras", señala.

Lorenzo-Sáez también advierte que la mala calidad del aire está asociada con malestares graves como el asma y el cáncer de pulmón, entre otros, resultando en cerca de 300.000 muertes anticipadas al año en Europa.

El sistema creado por los investigadores de la UPV y el IFIC ha sido alimentado con información de 1.472 sensores de tráfico instalados en toda la ciudad, complementando datos meteorológicos tales como el viento y la presión atmosférica.

Este sistema categoriza cada segmento de la vía en distintos niveles de alerta y, gracias a la aplicación de redes neuronales LSTM, logra una notable precisión en tiempo real, incluso durante las horas de mayor congestión vehicular.

Adicionalmente, se ha comprobado que los datos del tráfico son indicativos confiables de los niveles de NOx, unos de los contaminantes más nefastos para la salud, y resulta especialmente útil en áreas donde no existe una red extensa de sensores para medir la calidad del aire. Esta funcionalidad puede potenciar la eficacia de las Zonas de Bajas Emisiones, permitiendo implementar medidas ajustadas al riesgo específico de cada calle, y evitar restricciones amplias que puedan tener un mayor costo social.

"Nuestro sistema tiene un porcentaje de acierto del 90% en condiciones de tráfico normal y del 70% en la predicción de picos de tráfico. Esto nos permite tomar decisiones más ágiles para evitar sobrepasar los límites legales de contaminación en zonas vulnerables", añade Lorenzo-Sáez.

Javier Urchueguía, otro de los investigadores involucrados, destaca que se ha hallado una correlación directa entre los flujos de tráfico y los niveles de NOx detectados, lo que posibilita el envío de alertas incluso sin contar con una red completa de sensores de calidad del aire. Este descubrimiento es crucial para muchas ciudades europeas que enfrentan limitaciones de recursos.

Este avance representa un hito significativo en la gestión urbana basada en datos, integrando la inteligencia artificial como un recurso clave para abordar desafíos ambientales complejos.

Los autores del estudio sostienen que el sistema podría convertirse en una herramienta vital para desarrollar intervenciones más dinámicas, eficientes y aceptadas por la población, especialmente en la protección de grupos sensibles como niños, ancianos o personas con problemas respiratorios.

Entre los planes a futuro se incluye la creación de un gemelo digital de la ciudad de València que permita simular las medidas antes de su implementación real, así como la incorporación de sensores adicionales del internet de las cosas (IoT) para mejorar la capacidad predictiva de contaminantes.

Este estudio ha sido publicado en la revista científica Neural Computing and Applications y cuenta con el apoyo de instituciones como la Generalitat Valenciana y el Ministerio de Ciencia e Innovación.