Estimación de los impactos de los contaminantes atmosféricos antropogénicos sobre los ecosistemas de montaña usando Inteligencia Artificial

El cambio climático generado por la actividad antropogénica (quemas forestales, parque automotriz, etc.) viene causando impactos como el incremento de la contaminación atmosférica (PMs, aerosoles, lluvias ácidas, etc.) lo cual conlleva a cambios en los elementos de los ecosistemas de montaña, región donde se ubica poblaciones altamente vulnerables a los cambios del sistema climático. Aunque existen estándares de calidad ambiental (ECA), e instituciones que monitorean y vigilan la calidad del aire (SENAMHI, IGP, OEFA, INAIGEM, etc.) aún no se tiene conocimiento claro de la manera de difusión de los contaminantes atmosféricos en zonas de montaña, una baja cantidad de estaciones de monitoreo para detectar o dar seguimiento a los eventos o hotspot de contaminantes en zonas de montaña, y no se tiene proyectos de investigación en estas áreas. La forma convencional de estudiar la contaminación atmosférica es a través de generar información espacio-temporal mediante modelos físico-químicos climáticos a escala regional, tal como el modelo WRF-Chem. Pero, a pesar de sus bondades en representar detalladamente la física e interacciones químicas de los contaminantes aéreos, una gran limitante en la implementación de este tipo de modelado es la necesidad de una elevada capacidad computacional para generar información extrapolada de las condiciones climáticas físico-químicas de la atmósfera. El presente proyecto busca aplicar técnicas alternativas basadas en inteligencia artificial (IA) para obtener un modelo que genere estas distribuciones de contaminantes atmosféricos desde las fuentes detectadas, pero con una reducción importante en la demanda de poder computacional y tiempo de procesamiento. Esto permitirá estudiar eventos ocurridos a resoluciones espaciales y temporales más detalladas, lo cual implica generación de escenarios de impactos a los elementos de los ecosistemas de montaña y a la población, de forma rápida y predictiva.