Detección de anomalías en señales de lidar atmosférico mediante técnicas de inteligencia artificial.

Abstract

La presente investigación tuvo como propósito principal evaluar la aplicación de técnicas de inteligencia artificial para la detección de anomalías en señales de LiDAR atmosférico. Esta tecnología consiste en la emisión de pulsos láser de muy corta duración a intervalos regulares hacia la atmósfera. Parte de esta luz es retrodispersada por moléculas, aerosoles y otras partículas en suspensión, y posteriormente captada por telescopios acoplados a detectores altamente sensibles, como fotomultiplicadores o fotodiodos. Este proceso permite realizar mediciones remotas de alta resolución y generar perfiles verticales que reflejan la presencia de aerosoles, nubes y contaminantes en diferentes niveles de la atmósfera. Para llevar a cabo este estudio, se utilizaron datos LiDAR compuestos por 480 señales diarias, cada una con 16.000 puntos (bins) de retrodispersión registrados a 16 bits, recolectados en intervalos de 3 minutos. En primera instancia, se aplicaron dos técnicas de preprocesamiento para mejorar la calidad e interpretabilidad de las señales: la corrección de fondo (Background Correction, BC) y la corrección por rango (Range Corrected Signal, RCS). Posteriormente, se implementaron modelos de autoencoders (densos, convolucionales y LSTM) y algoritmos de aprendizaje no supervisado, como DBSCAN, K-means, LOF e Isolation Forest. Para los autoencoders se utilizaron métricas cuantitativas como el error cuadrático medio (MSE), el error absoluto medio (MAE), la raíz del error cuadrático medio (RMSE) y el tiempo de entrenamiento. En el caso de los métodos no supervisados, la validación se basó en la coherencia espacio – temporal de las anomalías detectadas y su correspondencia con estructuras atmosféricas reales observadas el 20 de mayo de 2020. Los resultados de la investigación muestran que el autoencoder convolucional 1D (Conv1D) con activación LeakyReLU ofreció una mejor reconstrucción de las señales en comparación con los otros dos modelos autoencoder (denso y LSTM). Además, el modelo Conv1D logró capturar variaciones estructurales complejas y detectar cambios abruptos en la señal, con valores bajos de MSE (inferiores a 0.035) y buena estabilidad temporal. De igual forma, los algoritmos no supervisados DBSCAN e Isolation Forest mostraron un mejor desempeño en la detección de eventos localizados, como nubes densas o capas de polvo. En conclusión, se establece que las técnicas de inteligencia artificial permiten una detección precisa y eficiente de anomalías atmosféricas, lo que aporta al desarrollo de sistemas automáticos de alerta temprana para la calidad del aire y el monitoreo ambiental. Cabe resaltar que la precisión en la identificación de dichas anomalías está mediada por la validación experta, considerando el conocimiento especializado en dinámica atmosférica y en los procesos físico – químicos que ocurren en ella.