Aplicación de la inteligencia artificial en el monitoreo ambiental: modelos predictivos de elementos potencialmente tóxicos (PTEs) mediante machine learning

La inteligencia artificial (IA), y en particular el aprendizaje automático (machine learning), ha emergido como una herramienta clave para mejorar el monitoreo ambiental, permitiendo desarrollar modelos predictivos capaces de estimar contaminantes a partir de variables fácilmente medibles. Este estudio aplicó técnicas de aprendizaje automático, específicamente Máquina de Vectores de Soporte (SVM), para predecir concentraciones de elementos potencialmente tóxicos (PTEs) en biomonitores vegetales y polvo de carretera de la Gran Área Metropolitana de Costa Rica. Se recolectaron 160 muestras de hojas de Casuarina equisetifolia y Cupressus lusitanica, junto con 80 muestras de polvo de carretera, durante campañas en 2020 y 2021. Las muestras se analizaron para determinar propiedades magnéticas y concentraciones de metales (Fe, Cu, Cr, Ni, Pb, V, Zn y Cd). Los modelos SVM, comparados con regresiones lineales simples y múltiples, mostraron mejor desempeño predictivo en la mayoría de los metales, con valores de R² superiores a 0.7 para Fe, Cu, Cr, V y Zn, y menores para Pb y Ni. C. equisetifolia presentó los mejores resultados en términos de ajuste (R²) y menor error (RMSE, MAE), superando a C. lusitanica; el polvo de carretera, por su parte, mostró una mayor variabilidad debido a sus múltiples fuentes de contaminación. Los resultados demostraron que la integración de la IA en el monitoreo biomagnético facilita la identificación de relaciones complejas entre las propiedades magnéticas y la contaminación por PTEs, confirmando su eficacia como herramienta rápida y de bajo costo para la evaluación ambiental.