Un nuevo estudio ha desarrollado el primer modelo de aprendizaje automático a gran escala capaz de predecir concentraciones horarias de ozono interior utilizando predictores fácilmente accesibles, incluyendo niveles de ozono exterior, condiciones meteorológicas y comportamiento de apertura de ventanas. Este avance aborda una brecha crítica en la evaluación de la exposición a la contaminación del aire, ya que las personas suelen pasar entre el 70% y el 90% de su tiempo en interiores, donde los niveles reales de ozono difieren de las mediciones exteriores.
El ozono es un contaminante clave del aire formado por reacciones químicas entre óxidos de nitrógeno y compuestos orgánicos volátiles bajo la luz solar. En 2021, la exposición prolongada al ozono contribuyó a casi 490.000 muertes en todo el mundo. Las evaluaciones tradicionales de exposición se han basado principalmente en datos exteriores, pero la ventilación, las fuentes interiores y los materiales de construcción afectan significativamente los niveles de ozono interior. Los enfoques de modelado anteriores, incluidos modelos mecanicistas que requieren parámetros interiores detallados y modelos de regresión lineal que luchan con relaciones no lineales, han tenido limitaciones en aplicaciones a gran escala.
Investigadores de la Universidad de Fudan y la Academia China de Ciencias construyeron un modelo de aprendizaje automático para predecir niveles horarios de ozono interior en 18 ciudades chinas. El estudio, publicado en Eco-Environment & Health el 9 de julio de 2025, utilizó algoritmos de bosques aleatorios entrenados con mediciones de sensores de bajo costo combinados con datos meteorológicos y de ventilación. La investigación está disponible en https://doi.org/10.1016/j.eehl.2025.100170.
El equipo recopiló más de 8.200 horas de datos de ozono interior utilizando sensores electroquímicos portátiles en 23 hogares. Las variables predictoras incluyeron niveles de ozono exterior de conjuntos de datos de alta resolución, parámetros meteorológicos como temperatura, humedad, viento, radiación solar, altura de la capa límite y presión superficial, y estado de apertura de ventanas registrado manualmente por voluntarios. Al comparar dos modelos—uno excluyendo y otro incluyendo el estado de las ventanas—los investigadores demostraron que incorporar el comportamiento de ventilación mejoró significativamente la precisión de la predicción.
Incluir el comportamiento de apertura de ventanas aumentó el R² de validación cruzada de 0.80 a 0.83 y redujo el error cuadrático medio de 7.89 a 7.21 partes por billón. El modelo capturó con precisión las fluctuaciones horarias de ozono y las diferencias regionales, funcionando mejor en el sur que en el norte de China y en temporadas frías en lugar de cálidas. El análisis de importancia de predictores identificó la presión superficial, la temperatura y el ozono ambiental como factores dominantes, con la ventilación emergiendo como un determinante conductual crucial. Las comparaciones diurnas revelaron que las concentraciones de ozono interior fueron un 40% más bajas que los niveles exteriores durante las horas diurnas.
"La mayoría de los estudios de exposición todavía dependen de datos de ozono exterior, pero eso es solo la mitad de la historia", dijo la profesora Xia Meng, autora principal del estudio. "Nuestros hallazgos muestran que el comportamiento de ventilación—algo tan simple como si una ventana está abierta o cerrada—puede cambiar la exposición drásticamente. Al integrar dichos datos conductuales con información meteorológica a través del aprendizaje automático, finalmente podemos estimar el ozono interior con mayor precisión a gran escala."
Esta investigación introduce una estrategia práctica y de bajo costo para predecir la exposición al ozono interior en tiempo real en grandes áreas geográficas. El modelo puede integrarse en evaluaciones de riesgos para la salud, sistemas de monitoreo de hogares inteligentes y plataformas de vigilancia de salud pública, permitiendo a los responsables políticos y científicos comprender mejor las diferencias de exposición interior-exterior. El trabajo futuro podría extender el marco a otros contaminantes como partículas finas o dióxido de nitrógeno, incorporar sensores inteligentes para el seguimiento automatizado de ventanas y expandir el monitoreo a diversas zonas climáticas. Este enfoque de aprendizaje automático conecta el modelado ambiental con la vida diaria, promoviendo ambientes interiores más saludables en regiones que se urbanizan rápidamente.
