Inteligencia Artificial para mejorar la detección de focos de contaminación orgánica
20 oct 2025 - 11:08 CET
El Grupo LI2GA de la Universidad Politécnica de Madrid, en colaboración con la Universidad Complutense de Madrid y la Universidad de Roma Tor Vergata, ha demostrado en su último estudio que el aprendizaje automático puede mejorar significativamente la fiabilidad de la técnica del déficit de radón (RDT). Esta técnica, utilizada para identificar focos de contaminación orgánica en suelos, se ve afectada por la variabilidad ambiental, lo que puede complicar la interpretación de los datos. El uso de modelos de aprendizaje automático permite corregir estas variaciones, logrando una identificación más precisa de las zonas contaminadas. Aunque la aplicación de estos modelos requiere conjuntos de datos extensos, representan una herramienta prometedora para mejorar la eficacia del cribado de contaminación y el seguimiento de los procesos de remediación a largo plazo.
