Publicación del proyecto · Journal of Sensor and Actuator Networks
Resumen
El artículo propone un marco operativo de aprendizaje profundo para predicción de calidad del aire a escala urbana a partir de estaciones de monitorización dispersas, evaluando de forma explícita escenarios con datos ausentes y estaciones no observadas.
Indicadores bibliométricos
- Área JCR
- Computer Science, Information Systems; Telecommunications
- Año JCR
- 2025
- Consulta Scholar
- 26 octubre 2026
Contribución principal
El trabajo aborda una limitación práctica de la monitorización ambiental en ciudades inteligentes: estaciones escasas, despliegues cambiantes y flujos de datos incompletos. Combina predicción temporal y regresión espacial para estimar O3, NO2, PM2.5 y PM10 en áreas urbanas usando datos de Madrid y Cali, y evalúa el comportamiento de los modelos cuando se excluyen estaciones o existen datos ausentes.
Resultados y alcance
La evaluación entre ciudades y bajo distintos patrones de datos ausentes muestra que la capacidad de generalización depende del contaminante, el horizonte de predicción y la densidad de sensores. El estudio delimita así cuándo los modelos profundos son fiables y cuándo la persistencia u otros métodos más sencillos siguen siendo referencias competitivas.
Relación con BoND1
BoND1 estudia conectividad IoT escalable y sostenible más allá de los diseños celulares convencionales. Esta publicación conecta ese objetivo con la capa de servicio del IoT ambiental: inferencia fiable desde infraestructuras de sensado dispersas, resiliencia frente a caídas de nodos y orientación para densificar redes de sensores allí donde las medidas son más útiles.
Project publication · Journal of Sensor and Actuator Networks
Summary
The paper proposes an operational deep-learning framework for citywide air-quality forecasting from sparse monitoring stations, with explicit evaluation under missing data and station hold-out scenarios.
Main contribution
The article addresses a practical limitation of smart-city environmental monitoring: sparse stations, changing deployments and missing data streams. It combines temporal forecasting and spatial regression to estimate O3, NO2, PM2.5 and PM10 across urban areas using data from Madrid and Cali, and it evaluates how models behave when stations are held out or data are incomplete.
Results and scope
The cross-city evaluation under different missing-data patterns shows that generalization depends on the pollutant, forecast horizon and sensor density. The study therefore identifies when deep models are reliable and when persistence or other simpler methods remain competitive baselines.
Link with BoND1
BoND1 studies scalable, sustainable IoT connectivity beyond conventional cellular designs. This publication connects that objective with the service layer of environmental IoT: reliable inference from sparse sensing infrastructures, resilience to node outages and actionable guidance for densifying sensor networks where measurements are most useful.