Monitoreo Inteligente

No hay una doble lectura: las herramientas de inteligencia artificial (IA) contribuyen a una gestión ambiental más eficiente y sostenible. Y esto, por cierto, incluye el monitoreo de contaminantes atmosféricos, principalmente con el uso del Internet de las Cosas (IoT), imágenes satelitales y algoritmos de aprendizaje automático.

Un reciente informe del Foro Económico Mundial (FEM) precisa que en 2023 la contaminación del aire fue decisiva en la muerte de más de 7 millones de personas a nivel global. Y sostiene que en la era de la IA "se podrían desarrollar sistemas de monitoreo de la calidad del aire más inteligentes y eficientes para detectar contaminantes de forma más rápida y precisa".

También da un ejemplo del aporte concreto que puede hacer el uso de esta herramienta: "Los sistemas terrestres de monitoreo de la calidad del aire proporcionan datos sobre el nivel de contaminantes presentes en la troposfera, la capa más densa de la atmósfera terrestre, que se extiende hasta unos 13 km desde la superficie. Pero los algoritmos de aprendizaje automático pueden combinarse con los sistemas actuales para rastrear los cambios en la atmósfera y generar alertas tempranas sobre los peligros de la contaminación".

Según el reporte del FEM, integrar la IA en los sistemas actuales de monitoreo atmosférico puede potenciar cuatro áreas clave: recolección y análisis de datos en tiempo real, monitoreo más accesible y económico, mayor eficiencia y precisión, y mejor toma de decisiones.

Ampliar el pronóstico

Profundizando en los beneficios de la IA en este ámbito, Yeanice Vásquez, CEO & CO Founder de Airflux -empresa que provee sistemas de monitoreo ambiental inteligente-, resalta que esta tecnología "permite transformar el monitoreo ambiental en un sistema más inteligente, predictivo y con mayor cobertura espacial. A través de modelos de machine learning, deep learning e inteligencia artificial generativa, es posible anticipar la evolución de la contaminación y estimar concentraciones en zonas no monitoreadas, ampliando el pronóstico desde lo temporal hacia lo espacial".

Plantea, además, que gracias a la IA se logra aplicar calibración inteligente y ajuste automático de sensores mediante técnicas de calibración in situ, corrección no lineal y modelos preajustados, mejorando la confiabilidad de los datos y acercándolos a mediciones equivalentes a estándares de referencia. "Con ello, la solución entrega alertas tempranas, mayor cobertura territorial y una base más robusta para la toma de decisiones en salud, medio ambiente y operación", asegura la Dra. en Química, Calidad del Aire y Cambio Climático.

A través de modelos de IA "es posible anticipar la evolución de la contaminación y estimar concentraciones en zonas no monitoreadas", destaca Yeanice Vásquez.

Aportando otra mirada, David Contreras, consultor en tecnologías industriales de DTEK Ingeniería -que suministra soluciones de IA en el área ambiental-, expone que la ventaja fundamental de esta herramienta es que permite "pasar de un modelo reactivo a un ecosistema preventivo de alerta temprana", el cual se puede estructurar en cuatro capas:

• Sensorización y captura: Despliegue de hardware primario en terreno, integrando redes de sensores IoT, cámaras analíticas, computadores móviles y terminales portátiles (Hand Helds).

• Analítica en tiempo real e IA soberana: Deja atrás el concepto estático de "big data" para enfocarse en flujos de datos vivos. "La IA procesa esta información mediante arquitecturas flexibles que nosotros construimos -ya sea desplegadas en la nube, de forma local o en entornos híbridos- para predecir anomalías instantáneamente, sin que el cliente pierda jamás la soberanía de su información", señala el experto.

• Automatización: Ejecución autónoma de medidas de mitigación preventiva.

• Infraestructura y continuidad: Es un pilar transversal. Si bien para las empresas que poseen una RCA la normativa de la Superintendencia del Medio Ambiente exige un reporte electrónico ininterrumpido, esta tecnología no se limita a la obligación legal. "Ya sea por cumplimiento o por mejora continua, se utiliza IA para auditar la salud de las telecomunicaciones 24/7, garantizando una transmisión de datos impecable", asegura.

Más utilizadas

Respecto a las soluciones de IA más utilizadas, Rodrigo Donoso, IoT & Cloud Solutions Developer de AirFlux, señala que hoy el monitoreo de partículas y gases "se apoya en herramientas de inteligencia artificial como modelos predictivos, aprendizaje profundo, IA generativa y sistemas híbridos que integran datos meteorológicos, tráfico, emisiones y sensores IoT. Estas tecnologías permiten detectar patrones complejos, anticipar episodios de contaminación y mejorar la cobertura espacial del monitoreo. Además, facilitan la calibración inteligente de sensores, corrigiendo sesgos por humedad, ruido y variaciones ambientales, lo que mejora la confiabilidad de los datos".

Un ejemplo exitoso de uso de IA en esta aplicación fue el proyecto piloto que Airflux implementó junto al Centro Nacional de Pilotaje en la División Radomiro Tomic de Codelco. El especialista lo describe: "Implementamos un multisensor para medir material particulado y variables meteorológicas en condiciones reales de faena. Durante 55 días de monitoreo continuo, el sistema permitió comparar una línea base con una etapa de aplicación de supresor de polvo. Mediante inteligencia artificial y análisis avanzado de datos, las señales crudas de los sensores fueron transformadas en concentraciones útiles, facilitando una evaluación más rápida, precisa y de menor costo que los métodos tradicionales. Como resultado, la solución mostró un desempeño sobre el promedio, con cumplimiento superior al 80% de los indicadores técnicos y una evolución de TRL 6 a TRL 7, validando su uso en contexto industrial".

David Contreras, en tanto, especifica que, a nivel físico, el dimensionamiento preciso del hardware es el primer paso para el empleo de la IA. DTEK, en particular, selecciona fabricantes que por sus diferentes niveles de precisión y enclosures se adaptan a escenarios específicos para medir gases o material particulado. "No obstante, el verdadero diferenciador actual es cómo se procesa esa información. En industrias estratégicas el estándar es la IA Soberana: arquitecturas de inteligencia artificial privada. Al estructurar esta IA bajo esquemas on-premise, cloud o híbridos según la realidad de cada planta, se garantiza la agilidad operativa necesaria para la automatización y una confidencialidad absoluta sobre los datos ambientales", detalla.

Plataforma para el monitoreo en tiempo real de numerosos contaminantes atmosféricos.

Trabas a superar

Para que exista un mayor aporte de la IA al mejoramiento de la calidad del aire en entornos industriales y urbanos, Contreras argumenta que el desafío principal a superar no es la disponibilidad tecnológica, sino la brecha de despliegue de la misma. Comenta: "Hoy existe un consenso directivo absoluto sobre la necesidad de adoptar la IA, pero las organizaciones no saben cómo integrarla de manera efectiva. Estamos en una fase incipiente de búsqueda de soluciones y el mercado está descubriendo que implementar IA no es un producto estandarizado de rápida instalación, sino un catalizador que exigirá transformaciones operacionales profundas en la matriz de las empresas".

Añade que para que esta adopción se materialice y escale, la industria debe resolver dos nudos críticos: la dependencia estructural entre software y conectividad, y lo relativo a la gobernanza y privacidad.

A su vez, Yeanice Vásquez apunta como retos "la necesidad de contar con datos confiables, suficientes y bien distribuidos para el entrenamiento de modelos. A esto se suman la cobertura limitada de las redes de monitoreo, los costos iniciales de implementación y la dificultad de integración con la infraestructura existente. Asimismo, es clave asegurar la calibración y validación continua de sensores, junto con avanzar en la estandarización de tecnologías y metodologías que permitan comparar resultados. La concentración de estaciones en zonas centrales genera vacíos en áreas periféricas. Y el uso indiscriminado de IA sin formación ni criterio técnico puede derivar en decisiones sin rigor científico. Superar estas barreras exige tiempo y recursos, pero permitiría un monitoreo más confiable y útil".

Otros desafíos

El reporte del FEM también sostiene que, pese a los avances, "integrar la IA en los sistemas de monitoreo aún presenta retos importantes. Los modelos de inteligencia artificial necesitan enormes conjuntos de datos precisos para entrenarse con éxito, y la falta de disponibilidad de esta información puede ser una gran limitante. Además, poner en marcha un sistema basado en IA es costoso, ya que requiere de centros de datos con un alto consumo de electricidad. Por otro lado, existe una escasez de personal cualificado para desarrollar algoritmos de aprendizaje automático y dar mantenimiento al hardware de los sensores. Hay que sumar que integrar estas soluciones en la infraestructura ya existente puede resultar complejo y caro".

El documento postula, además, que las innovaciones futuras podrían incluir modelos predictivos aún más avanzados y un mayor uso de sensores de IoT en la infraestructura actual. "Además, el uso de drones potenciados por IA podría ayudar a detectar contaminantes en zonas remotas o de difícil acceso, analizando esos datos mediante algoritmos inteligentes. Las ciudades inteligentes y el IoT también permitirán desplegar redes de sensores de bajo costo, capaces de brindar información continua y en tiempo real sobre los niveles de polución urbana", proyecta.

DATO:

1
Proyecto Fondef, denominado "Detección de fuentes contaminantes y calidad del aire utilizando drones autónomos e inteligencia artificial", liderado por la Dra. Carola Figueroa de la Universidad del Biobío, logró el desarrollo de Simadaf, un sistema inteligente para el monitoreo ambiental y detección activa de fuentes de contaminación atmosférica.

Artículo publicado en InduAmbiente n° 200 (mayo-junio 2026), páginas 62 a 64.