El uso de la inteligencia artificial para mitigar la contaminación del aire en ciudades metropolitanas como Delhi ha demostrado ser prometedor. Un reciente estudio ha demostrado que la implementación de cabinas de purificación de aire en base a algoritmos de aprendizaje por refuerzo profundo puede mejorar la calidad del aire en un 25.40%, superando a las estrategias convencionales. Delhi, una de las ciudades más contaminadas del mundo, se enfrenta a niveles alarmantes de contaminación debido a las emisiones vehiculares, las actividades industriales y el polvo de construcción. Las estrategias tradicionales se estancan debido a su falta de adaptabilidad a los entornos urbanos dinámicos.
El marco diseñado utiliza la optimización de políticas proximales (PPO), un algoritmo vanguardista de aprendizaje por refuerzo, para identificar ubicaciones de alto impacto teniendo en cuenta diversos factores espaciales y ambientales. Este enfoque fue comparado con métodos convencionales de colocación, incluidos los métodos basados en AQI aleatorios y greedy, demostrando que el uso del aprendizaje reforzado logra un equilibrio óptimo entre la reducción del AQI y el despliegue de alta cobertura.
Los resultados experimentales subrayan la relevancia de la optimización impulsada por inteligencia artificial para avanzar en iniciativas de ciudad inteligente y gestión de la calidad del aire impulsada por datos. Además, el marco de aprendizaje profundo se adaptó para aprender del entorno y mejorar su política de colocación con datos reales sobre densidad poblacional, patrones de tráfico, influencia industrial y restricciones de espacios verdes.
Esta investigación contribuye al creciente campo de gestión ambiental impulsada por IA, mostrando cómo el aprendizaje por refuerzo puede ser aplicado para el mejoramiento de la calidad del aire urbana. De esta forma, ciudades densamente pobladas pueden planificar de manera más efectiva la distribución de infraestructuras de purificación de aire, mejorando los resultados de salud urbana. Finalmente, la evaluación multidimensional asegura que la colocación de cabinas no sólo se enfoque en la reducción del AQI, sino también en factores logísticos y sociales como densidad poblacional, tránsito y actividad industrial.
En conclusión, la integración del aprendizaje por refuerzo en la planificación urbana nos presenta una solución escalable y adaptable que puede extenderse a varias ciudades con diferentes perfiles de contaminación. Aunque aún existen retos que superar, como la integración de datos meteorológicos o la mejora de la eficiencia computacional, el potencial transformador de esta tecnología es innegable, promoviendo entornos urbanos más saludables y sostenibles en el futuro próximo.