Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires

El presente trabajo evalúa la capacidad predictiva de técnicas de aprendizaje automático supervisadas y no supervisadas para estimar la calidad del aire en la Ciudad Autónoma de Buenos Aires. A partir de datos geoespaciales y socioambientales, se desarrollaron dos modelos: un enfoque no supervisado basado en K-means clustering con reducción dimensional mediante PCA, y un modelo supervisado mediante XGBoost. Ambos se aplicaron a un conjunto de 3.552 fracciones censales con el objetivo de asignar valores de calidad del aire (CO, NO₂, PM₁₀) a zonas sin cobertura de monitoreo. Los resultados muestran que XGBoost alcanzó una precisión promedio del 83%, superando ampliamente a K-means (58%), y permitiendo una cobertura completa del 100% del territorio urbano. El estudio demuestra la viabilidad de integrar técnicas de ciencia de datos y análisis geoespacial para optimizar el monitoreo ambiental y apoyar políticas públicas basadas en evidencia.