Investigadores del MIT han demostrado que los datos existentes pueden generar un panorama dinámico y casi en tiempo real de las emisiones de automóviles en la ciudad de Nueva York.
Este nuevo método supera enfoques comunes, que utilizan muestras intermitentes de emisiones vehiculares, proporcionando datos más detallados y escalables. Según los investigadores, esto ayuda a cerrar la brecha entre los inventarios de emisiones a nivel de ciudad y los análisis detallados de vehículos individuales.
Innovación en la medición de emisiones
“Nuestro modelo, al combinar cámaras de tráfico en tiempo real con múltiples fuentes de datos, permite extrapolar mapas de emisiones muy detallados, incluso a nivel de una sola carretera y hora del día”, explica Paolo Santi, científico principal en el MIT Senseable City Lab.
El director del laboratorio, Carlo Ratti, añade que esta investigación forma parte de su búsqueda continua por medidas hiperlocales de calidad del aire. Integrando múltiples flujos de datos, se logra una precisión inimaginable hace unos años, lo que proporciona a los responsables de políticas nuevas herramientas para proteger la salud humana.
Protección de la privacidad y métodos de análisis
El método también garantiza la privacidad al utilizar técnicas de visión por computadora para identificar tipos de vehículos sin recopilar números de matrícula. La investigación utiliza tecnologías ya instaladas en intersecciones para obtener datos más ricos sobre el movimiento vehicular y la contaminación.
Según Songhua Hu, ex-investigador postdoctoral del laboratorio, “la idea básica es estimar las emisiones del tráfico de manera rentable utilizando fuentes de datos existentes”.
El estudio, titulado “Marco de trabajo impulsado por datos para la estimación de emisiones de tráfico y evaluación de políticas”, se publicó en Nature Sustainability.
Resultados del estudio en Manhattan
Para realizar la investigación, los científicos utilizaron imágenes de 331 cámaras en intersecciones de Manhattan, junto con registros de ubicación anonimizados de más de 1.75 millones de teléfonos móviles. Identificando 12 categorías de automóviles, lograron clasificar correctamente el 93 por ciento de los vehículos.
Los datos de teléfonos móviles proporcionaron información valiosa sobre los patrones de tráfico, que se combinaron con tasas de emisión conocidas para estimar las emisiones en Nueva York.
Además, los investigadores evaluaron cómo cambiarían las emisiones en diferentes escenarios, como el desplazamiento de la demanda de vehículos privados a autobuses.
Impacto de la política de precios de congestión
Un cambio real que estudiaron fue la implementación de precios de congestión en Manhattan en enero de 2025. Tras el programa, el volumen de tráfico se redujo aproximadamente un 10 por ciento, lo que resultó en una disminución de emisiones del 16 al 22 por ciento.
Estos resultados coinciden con un estudio previo de la Universidad de Cornell, que reportó una reducción del 22 por ciento en los niveles de materia particulada (PM2.5) en la zona de precios. Los investigadores notaron que las reducciones no fueron uniformes, siendo más significativas en algunas calles principales.
“Estos cambios enormes después de la implementación de los precios de congestión demuestran que nuestro modelo puede ser útil para evaluar el impacto real de nuevas políticas”, concluye Hu.
Futuras aplicaciones y apoyo del consorcio
El equipo también considera que se pueden integrar más fuentes de datos en su método. En trabajos relacionados en Ámsterdam, utilizaron cámaras de vehículos para obtener información sobre el movimiento vehicular.
“Con nuestro modelo, cualquier cámara en las ciudades, desde cientos de cámaras de tráfico hasta miles de cámaras de tableros, puede convertirse en una herramienta poderosa para estimar las emisiones de tráfico en tiempo real”, dice Fábio Duarte, director asociado de investigación en el MIT Senseable City Lab.
La investigación fue respaldada por el MIT Senseable City Consortium, que incluye varias universidades y empresas, proporcionando un sólido soporte a este importante trabajo.
