- La inteligencia artificial permite predecir la calidad del aire urbano con varios días de antelación y a escala local, facilitando decisiones de gestión y protección de salud.
- Proyectos nacionales como Aire o redes como Breathe2Change combinan sensores, datos abiertos y modelos de IA para monitorizar, analizar y mitigar la contaminación de forma coordinada.
- En interiores, la IA y el IoT optimizan ventilación, climatización y ocupación, equilibrando confort, calidad del aire y eficiencia energética en edificios y transporte.
- Apps y plataformas con IA acercan estos avances a ciudadanos, empresas e investigadores, ofreciendo datos en tiempo real, predicciones y recomendaciones accionables.
La calidad del aire, tanto en exteriores como en interiores, se ha convertido en uno de los grandes temas de salud pública de nuestro tiempo. La contaminación atmosférica está directamente relacionada con millones de muertes prematuras y con un aumento de enfermedades respiratorias y cardiovasculares, especialmente en las grandes ciudades y en entornos cerrados mal ventilados.
En este contexto, la irrupción de la inteligencia artificial (IA) está cambiando por completo las reglas del juego. Pasamos de limitar-nos a medir lo que ocurre a ser capaces de anticipar escenarios de contaminación, optimizar sistemas de ventilación, mejorar redes de sensores de bajo coste y ofrecer información accionable a ciudadanos, empresas y administraciones. Vamos a ver, con mucho detalle, cómo se está aplicando la IA a la calidad del aire en proyectos reales de España, Europa y Latinoamérica, y qué tecnologías hay detrás.
Por qué la calidad del aire necesita inteligencia artificial
La evidencia científica es contundente: exponerse de forma continuada a contaminantes como NO₂ o partículas finas PM2.5 reduce la esperanza de vida y agrava patologías como asma, EPOC o enfermedades cardiovasculares. Estudios como los publicados en revistas de referencia (por ejemplo, evaluaciones de mortalidad prematura en ciudades europeas) muestran que reducir la contaminación supondría evitar miles de muertes cada año.
Los contaminantes más vigilados incluyen el dióxido de nitrógeno (NO₂), el ozono troposférico (O₃) y las partículas en suspensión PM10 y PM2.5. Las PM10 (diámetro hasta 10 micrómetros) abarcan polvo, polen u otras partículas relativamente grandes. Las PM2.5, mucho más finas (hasta 2,5 micrómetros), suelen generarse en procesos de combustión y pueden penetrar profundamente en los pulmones, lo que las hace especialmente peligrosas para la salud.
Organismos como la Organización Mundial de la Salud (OMS) han endurecido sus guías globales de calidad del aire, fijando valores recomendados muy por debajo de los que se registran habitualmente en muchas áreas urbanas. Este marco regulador, junto con directivas europeas como la nueva Directiva de Calidad del Aire (AAQD) y el Plan Contaminación Cero de la UE para 2050, obliga a los gobiernos a mejorar sus sistemas de monitorización y gestión.
El problema es que el aire no es estático y la contaminación cambia de forma muy rápida en función del tráfico, la actividad industrial, los incendios, la meteorología o la propia forma de las ciudades. Los enfoques clásicos, basados solo en estadísticas simples o modelos físicos muy costosos computacionalmente, se quedan cortos para capturar esta complejidad en tiempo real y a alta resolución espacial.
Aquí entra en juego la IA: los algoritmos de aprendizaje automático permiten procesar enormes volúmenes de datos procedentes de estaciones de medida, satélites y redes IoT, detectar patrones difíciles de ver a simple vista y generar predicciones rápidas y precisas que sirven para tomar decisiones mucho mejor informadas.
Predicción de la calidad del aire urbano con redes neuronales
En España, uno de los ejemplos más avanzados en este campo es el trabajo de Ana del Águila, investigadora del Instituto Interuniversitario de Investigación del Sistema Tierra en Andalucía y del Departamento de Física Aplicada de la Universidad de Granada. Con el apoyo de una Beca Leonardo de la Fundación BBVA, ha desarrollado un modelo de IA capaz de anticipar la calidad del aire urbano con hasta tres días de antelación.
El foco de su investigación está en el índice de calidad del aire (ICA), que resume el estado de la atmósfera urbana con una escala de colores muy intuitiva: azul (buena), verde (razonablemente buena), amarillo (regular), rojo (desfavorable), granate (muy desfavorable) y morado (extremadamente desfavorable). El valor del índice se calcula a partir de los datos de las estaciones de calidad del aire, tomando como referencia el contaminante que presenta la peor situación en cada momento.
Así, si en una estación el NO₂ y el ozono están en niveles considerados como “buenos”, pero las partículas PM10 se sitúan en un rango “regular”, el índice final se mostrará en amarillo. Es un enfoque conservador, pensado para reflejar el riesgo más alto entre todos los contaminantes medidos y proteger a la población vulnerable.
Para construir su modelo, el equipo de investigación ha utilizado datos históricos de estaciones de calidad del aire de Barcelona, Granada y Madrid, seleccionando tres estaciones por ciudad atendiendo a dos criterios clave: continuidad en las series de datos y diversidad de entornos (zonas de tráfico, áreas residenciales, fondos urbanos, etc.). En total, han trabajado con los últimos cinco años de información disponible, empleando cuatro años para entrenar el modelo y uno para validarlo y evaluarlo.
Además de los contaminantes, el modelo integra variables meteorológicas fundamentales: temperatura, humedad relativa, precipitación, presión atmosférica, velocidad y dirección del viento. La razón es clara: la meteorología condiciona completamente la dispersión o acumulación de contaminantes. La lluvia, por ejemplo, ayuda a “limpiar” el aire arrastrando partículas, mientras que las situaciones de altas presiones, asociadas al tiempo estable y soleado, favorecen el estancamiento de contaminantes cerca de la superficie.
Desde el punto de vista técnico, la herramienta se basa en un algoritmo de redes neuronales recurrentes entrenado con series temporales. Este tipo de redes, muy usadas en predicción de series temporales complejas, son capaces de aprovechar la información de días previos para anticipar cómo evolucionará el índice de calidad del aire a uno, dos y tres días vista.
Tras el entrenamiento, el sistema genera predicciones del ICA que se comparan con los valores reales medidos en las estaciones. Los resultados muestran un grado de acierto situado aproximadamente entre el 82 % y el 85 %, una precisión muy alta en un problema donde influyen tantos factores. Esta capacidad predictiva abre la puerta a que las administraciones tomen medidas preventivas (restricciones de tráfico, avisos a población sensible, ajustes en planes de movilidad, etc.) con varios días de margen.
Otro valor añadido de este proyecto es su enfoque local, centrado en zonas urbanas concretas. Aunque existen sistemas europeos como Copernicus que combinan datos satelitales, modelos meteorológicos y simulaciones complejas para ofrecer predicciones de calidad del aire, su resolución espacial es más adecuada para escalas regionales. Eso implica que, para la realidad de una calle concreta o un barrio, el detalle puede quedarse algo corto. El modelo de Ana del Águila, al usar datos de estaciones cercanas y variables meteorológicas específicas, ofrece un nivel de precisión más útil para la gestión urbana y para la información ciudadana de proximidad.
La investigadora lidera además la línea AI4ATMOS en el Grupo de Física de la Atmósfera de la UGR, y participa en proyectos como DeepAtmo, orientado a mejorar la detección de aerosoles y nubes mediante IA, elementos cruciales tanto para el estudio del cambio climático como para el monitoreo de la calidad del aire. Su trayectoria incluye trabajos en el Centro Aeroespacial Alemán (DLR) y la Universidad Técnica de Múnich, donde desarrolló modelos de transferencia radiativa optimizados con aprendizaje automático para satélites, una experiencia que ahora se vuelca en aplicaciones de calidad del aire.
Proyecto Aire: IA y supercomputación para transformar la calidad del aire en España
Más allá de casos individuales de ciudades, España está impulsando un gran proyecto nacional llamado Aire (Aprovechando la Inteligencia Artificial para Transformar la Evaluación y Gestión de la Calidad del Aire en España), coordinado por el Barcelona Supercomputing Center – Centro Nacional de Supercomputación (BSC-CNS). Su objetivo es reforzar de forma integral cómo monitorizamos, analizamos y mitigamos la contaminación atmosférica a escala estatal.
Este proyecto se enmarca en la convocatoria de ‘Proyectos de Investigación en el Ámbito de la Inteligencia Artificial’ del Plan Estatal de Investigación Científica, Técnica y de Innovación 2024-2027 y cuenta con financiación del Ministerio de Ciencia, Innovación y Universidades. La iniciativa tiene una duración prevista de cuatro años y se articula a través de un consorcio en el que, además del BSC, participan el Instituto de Diagnóstico Ambiental y Estudios del Agua del CSIC (IDAEA-CSIC) y la Universidad de Zaragoza (Unizar).
El proyecto Aire se estructura en dos subproyectos complementarios. El primero es Modaire, liderado por el BSC, que se centra en la modelización de la dinámica de la calidad del aire usando emuladores basados en IA. Estos emuladores son modelos de aprendizaje automático capaces de imitar el comportamiento de los modelos físico-químicos tradicionales, pero con un coste computacional mucho menor. Esto permite realizar evaluaciones rápidas, explorando muchos escenarios distintos, y diseñar estrategias de planificación más robustas. Modaire cuenta con una financiación aproximada de 1 millón de euros.
El segundo subproyecto, Obsaire, liderado por CSIC-IDAEA y Unizar, tiene como objetivo consolidar y mejorar los datos de observación de calidad del aire en todo el país. La idea es generar un gran conjunto de datos nacional armonizado, con controles de calidad rigurosos, a partir de las redes de monitorización existentes. Obsaire dispone de un presupuesto de unos 600.000 euros y busca que las distintas fuentes de información sean comparables y fiables a largo plazo.
Juntos, Modaire y Obsaire persiguen mejorar de raíz cómo se monitoriza, analiza y simula la contaminación atmosférica en España. Esto no solo facilita el cumplimiento de la nueva Directiva de Calidad del Aire de la UE (AAQD), sino que también fortalece las capacidades institucionales y técnicas del país, impulsando la Estrategia Nacional de Inteligencia Artificial y la transformación digital del ámbito medioambiental.
Además del impacto regulador y científico, Aire aspira a generar nuevos servicios medioambientales basados en IA, desde plataformas de información pública hasta herramientas avanzadas de apoyo a decisiones políticas. Dado que los desafíos de calidad del aire, clima y salud pública son compartidos con otras regiones europeas, los resultados del proyecto podrían escalarse a otros países, contribuyendo los objetivos del Plan Contaminación Cero de la Unión Europea para 2050.
IA e IoT para mejorar la calidad del aire interior
La contaminación no solo es un problema de la calle; el aire interior (IAQ) que respiramos en oficinas, colegios, viviendas o transportes tiene un impacto directo en salud y bienestar. Además, existen guías prácticas para optimizar la aireación y ventilación en hogares e instalaciones.
Tradicionalmente, la gestión de la calidad del aire interior se ha basado en modelos estadísticos sencillos y reglas fijas de ventilación y climatización. Son herramientas válidas hasta cierto punto, pero no captan bien la complejidad de los entornos reales, en los que la ocupación cambia constantemente, la actividad varía y los edificios inteligentes responden de forma distinta según su diseño y aislamiento.
Compañías especializadas en IAQ, como inBiot, están investigando cómo aprovechar algoritmos de Deep Learning, en particular redes neuronales recurrentes y convolucionales, para identificar patrones complejos entre variables ambientales y anticipar problemas antes de que aparezcan. Por ejemplo, se están desarrollando modelos para predecir incrementos en los niveles de CO₂ en aulas u oficinas, permitiendo activar la ventilación de manera preventiva. Al mismo tiempo se exploran métodos para convertir un aire acondicionado en inteligente y facilitar su integración con sistemas de gestión ambiental.
El cambio de “medir” a “predecir” es clave: no se trata solo de ver un valor alto de CO₂ y abrir ventanas, sino de adelantarse a que ese pico se produzca. Esto permite mantener la calidad del aire en rangos saludables sin sobredimensionar la ventilación, con el consiguiente ahorro energético y mayor confort térmico.
En paralelo, se exploran usos de la IA más allá de la calidad del aire estricta. Un ejemplo interesante es un estudio piloto que utiliza datos de sensores ambientales (CO₂, temperatura, humedad, etc.) para estimar el nivel de ocupación de un espacio sin recurrir a cámaras ni radares, que suelen ser vistos como intrusivos. Detectando patrones en cómo varían esas variables, se puede inferir cuántas personas hay aproximadamente en una sala, lo que resulta muy útil para la gestión de aforos y el control inteligente de la climatización.
Ya se están viendo aplicaciones reales en infraestructuras críticas. Un caso llamativo es Respira, un sistema de gestión inteligente de climatización basado en IA aplicado al Metro de Barcelona. Este sistema analiza en tiempo real la información de la red (temperatura, ocupación, demanda, etc.) y ajusta la climatización para equilibrar confort térmico, calidad del aire y eficiencia energética. El resultado: un ahorro energético medio anual del 25,1 % en la instalación y un ahorro económico del orden de 1,7 millones de euros el primer año de aplicación, apoyado por servicios de climatización inteligente.
Este tipo de soluciones demuestra que no hay que elegir entre respirar bien o ahorrar energía. Con IA y la revolución del aire acondicionado es posible optimizar los tres vectores clave: confort, calidad de aire interior y eficiencia energética. Por ejemplo, en un auditorio de hospital donde se espera la llegada de 500 personas, un sistema de IA puede prever el aumento de temperatura y CO₂ asociado a la entrada del público y ajustar la calefacción con antelación a una consigna más baja, ahorrando energía y reduciendo la necesidad de una refrigeración posterior más agresiva.
Redes de sensores inteligentes y bajo coste: el caso Breathe2Change
La IA también está revolucionando el diseño y uso de redes de sensores de bajo coste. Un ejemplo pionero en Latinoamérica es el proyecto Breathe2Change (Respirar para cambiar), liderado por el investigador del CONICET Rodrigo Gibilisco desde el Laboratorio de Estudios Atmosféricos del Instituto de Química del Noroeste Argentino (INQUINOA, CONICET-UNT), en San Miguel de Tucumán.
Como parte de esta iniciativa, en 2021 se instaló la primera red de sensores de calidad del aire en la Provincia de Tucumán, con más de 20 dispositivos distribuidos por su territorio, que generan datos en tiempo real sobre niveles de micropartículas asociadas a actividades industriales, agrícolas, tráfico, incendios y otras fuentes. Estos sensores son capaces de detectar partículas con diámetros inferiores a 1 micrómetro, es decir, casi cien veces más pequeñas que el grosor de un cabello humano.
El proyecto ha recibido recientemente un subsidio del Instituto de Política Energética de la Universidad de Chicago (EPIC) para ampliar la red a diez provincias del norte y centro del país, con la aspiración de construir, a largo plazo, una red federal que cubra todo el territorio nacional. Este impulso internacional se suma al reconocimiento de la Fundación Alexander von Humboldt, que apoyó la creación de la red inicial en Tucumán como plataforma de datos de acceso abierto.
Breathe2Change se asienta en tres pilares fundamentales: una red de sensores que captan y envían datos a una plataforma en la nube, un equipo de científicos que analiza esa información y un programa de colaboración con entidades públicas y privadas para impulsar políticas e iniciativas concretas de mejora de la calidad del aire. El objetivo no es quedarse en el diagnóstico, sino facilitar la transición hacia modelos energéticos más limpios y sostenibles.
La inteligencia artificial juega un papel clave en este proyecto. Para empezar, se emplean técnicas de machine learning para “enseñar” a los sensores de bajo coste a ser más precisos. En la práctica, esto significa calibrarlos frente a equipos de referencia y ajustar sus mediciones mediante algoritmos que corrigen desviaciones sistemáticas, mejorando la calidad de los datos generados sin necesidad de recurrir siempre a instrumentación muy cara.
Además, la IA se utiliza para procesar los millones de registros que produce la red de sensores. Con estos métodos es posible generar mapas más detallados de la distribución espacial de los contaminantes, identificar fuentes principales y estudiar cómo influyen la meteorología y el clima en su transporte. También se pueden cruzar los datos de contaminación con información sanitaria para analizar la relación entre niveles de contaminantes y prevalencia de determinadas enfermedades en áreas concretas.
Otro desarrollo asociado a esta red es DALI-Sense (Desarrollo de plataforma multinivel para Detección y Alerta de Incendios). La idea es aprovechar los mismos sensores de calidad del aire de Breathe2Change, combinados con información satelital y otras variables, para detectar de manera temprana contaminantes característicos de incendios. Con ello se pueden generar alertas rápidas a los servicios de emergencia y defensa civil, reduciendo daños humanos y económicos. Este proyecto ha sido reconocido con la Distinción Franco-Argentina en Innovación 2023 en la categoría Junior.
El ecosistema de socios de Breathe2Change incluye administraciones públicas, empresas tecnológicas, universidades europeas y organizaciones no gubernamentales, lo que refuerza la idea de que el aire limpio es un objetivo global que trasciende fronteras. El respaldo internacional destaca la importancia de contar con datos abiertos y fiables para impulsar políticas de aire limpio basadas en evidencia.
Plataformas y apps con IA para ciudadanos, empresas e investigadores
La última pieza de este puzzle son las soluciones digitales que acercan la IA y los datos de calidad del aire al usuario final. No basta con que los modelos sean sofisticados; es imprescindible presentar la información de una forma comprensible y útil para que personas, empresas e instituciones puedan actuar.
Un ejemplo de este enfoque es AI AIR APP, una aplicación diseñada para conectar sensores de calidad del aire y visualizar datos en tiempo real. Está pensada para perfiles muy diversos: usuarios domésticos que quieren vigilar el aire que respiran en casa, personas que realizan actividad al aire libre y desean conocer los niveles de contaminación antes de salir, investigadores y desarrolladores que trabajan con sensores IoT, y cualquier persona preocupada por su salud que busque recomendaciones personalizadas.
La app se integra con ThingSpeak para recoger datos del sensor (PM2.5, PM10, temperatura, humedad y el índice de calidad del aire AQI), ofreciendo paneles de control con gráficos interactivos para seguir tendencias. A partir de esos datos, la aplicación despliega predicciones impulsadas por IA para las próximas cuatro horas, mostrando de forma sencilla cómo puede evolucionar la calidad del aire a corto plazo. Además, facilita opciones para convertir tu aire acondicionado en dispositivo inteligente y sincronizar su funcionamiento con la información de calidad del aire.
Además de mostrar números, AI AIR APP incluye consejos de salud basados en los niveles de AQI y previsiones meteorológicas, lo que ayuda al usuario a planificar mejor sus actividades: desde decidir si salir a correr hasta valorar si es un buen momento para ventilar la casa. De este modo, los datos se convierten en decisiones concretas y en cambios de comportamiento cotidianos.
La conexión se realiza mediante un inicio de sesión seguro con cuenta de Firebase y la configuración del canal de ThingSpeak usando el Channel ID y la Write API Key. Una vez enlazado el sensor, los datos fluyen hacia el panel de la app, donde se pueden explorar tanto las lecturas en vivo como las predicciones generadas por los modelos.
Detrás de este tipo de soluciones se encuentran compañías de desarrollo a medida como Q2BSTUDIO, especializadas en software, inteligencia artificial, ciberseguridad y servicios cloud (AWS, Azure) e inteligencia de negocio. Estas empresas ofrecen desde el diseño de aplicaciones personalizadas y dashboards hasta la integración de modelos predictivos y agentes de IA en productos IoT o herramientas corporativas, siempre con el objetivo de transformar datos en ventajas competitivas.
En conjunto, estas plataformas demuestran que la tecnología no se queda en los laboratorios: la IA aplicada a la calidad del aire ya está en el móvil de usuarios finales, en salas de control de edificios inteligentes y en dashboards que consumen datos de satélites, estaciones y redes de sensores. Cuanta más gente tenga acceso a esta información, mayor será la presión para mejorar las políticas de calidad del aire y más fácil resultará adaptar comportamientos individuales y empresariales.
Todo este entramado de proyectos científicos, redes de sensores, sistemas de gestión energética, plataformas nacionales y aplicaciones para usuarios muestra que la inteligencia artificial se ha convertido en una aliada imprescindible para avanzar hacia un aire más limpio y saludable. Desde anticipar episodios de contaminación urbana con días de margen hasta ajustar en tiempo real la ventilación de un metro o una oficina, pasando por redes federales de sensores de bajo coste o apps que dan recomendaciones personalizadas, la IA está ayudando a tomar decisiones mejor informadas y más rápidas a todos los niveles: ciudadanos, empresas y administraciones.
