Investigadores del MIT lograron una medición hiperlocal de emisiones en Manhattan en tiempo real con tecnología que analiza 1,75 millones de dispositivos móviles. El equipo reunió imágenes de cámaras de tráfico y datos móviles anónimos, permitiendo a las autoridades urbanas acceder a información detallada para gestionar la polución con una precisión que distingue diferencias manzana por manzana.
El método del Instituto Tecnológico de Massachusetts (MIT) emplea imágenes obtenidas de 331 cámaras de tráfico ubicadas en cruces de Manhattan y registros anónimos provenientes de más de 1,75 millones de dispositivos móviles.
Los algoritmos de visión por computadora procesan estos datos y clasifican los vehículos en 12 categorías amplias sin identificar matrículas, asegurando la privacidad. A continuación, se combinan con tasas conocidas de emisiones y patrones de tráfico para calcular la contaminación específica por calle y franja horaria, explicó el Laboratorio Senseable City del MIT.
La integración de múltiples sistemas de datos con algoritmos avanzados proporciona a las autoridades una visión actualizada y altamente detallada, lo que permite identificar diferencias de emisiones a escala de manzana en tiempo real y diseñar políticas específicas.
Tecnología y validación en Nueva York para la medición hiperlocal de emisiones
La validación inicial del sistema se realizó en Manhattan, un área de alta congestión vehicular de Nueva York. El modelo del MIT identificó correctamente el 93% de los vehículos en las categorías señaladas, según los resultados difundidos por el Instituto. Los análisis mostraron cómo los semáforos y el tráfico intermitente afectan las emisiones, un aspecto que usualmente no se considera en los inventarios tradicionales.
El método fue evaluado bajo diversos escenarios simulados, como la extensión de los horarios de circulación o un traspaso de pasajeros de autos particulares a autobuses. Estas pruebas permitieron cuantificar los cambios en los niveles de contaminación bajo cada ajuste.
Las simulaciones indicaron que emplear promedios generales, en lugar de datos hiperlocales, puede generar errores de entre −49% y 25% en las estimaciones y subraya la relevancia de la medición detallada por cuadra.
Impacto urbanístico y ambiental: casos de uso y resultados
Entre sus aplicaciones, el sistema del MIT permite evaluar en tiempo real el efecto de políticas como el cobro por congestión. El análisis de los primeros meses tras la implementación de esta medida al sur de la calle 60 en Manhattan, vigente desde enero de 2025, expuso una disminución del tráfico vehicular de cerca de un 10% y una reducción en las emisiones de entre 16% y 22% en esa zona.
De acuerdo con el laboratorio, la disminución no fue homogénea: mientras que las principales avenidas mostraron caídas marcadas, las áreas periféricas presentaron resultados mixtos.
Estos valores coinciden con investigaciones anteriores, como la de la universidad estadounidense de investigación Cornell, que identificó una reducción en el material particulado PM2.5 dentro de la zona tarifada.
Paolo Santi, investigador principal del Laboratorio Senseable City del MIT, comentó: “Observamos este tipo de cambios después del cobro por congestión. Esto demuestra que nuestro modelo puede ser útil para gobiernos que buscan verificar si una política nueva tiene repercusiones tangibles en el entorno”.
Alcances globales y futuro de la medición de emisiones urbanas
La adaptabilidad del modelo es una de sus ventajas. El Instituto Tecnológico de Massachusetts (MIT) ha probado versiones del sistema en ciudades como Ámsterdam, empleando cámaras instaladas en vehículos particulares con el apoyo de entidades locales e internacionales.
Fábio Duarte, subdirector de investigación y diseño del laboratorio, señaló: “Con nuestro modelo podemos transformar cualquier cámara en las ciudades —desde las cámaras de tráfico hasta las dashcams— en un aparato eficaz para estimar emisiones en tiempo real”.
El equipo del MIT indica que la metodología puede aplicarse en cualquier metrópolis con cámaras y registros móviles, lo que habilita un monitoreo constante y preciso en ciudades de América Latina, Europa o Asia. Además, facilita la evaluación de programas de movilidad sostenible sin la necesidad de operativos costosos ni bases de datos personales.
El acceso a datos tan específicos y recientes permite a las autoridades locales anticipar, analizar y ajustar políticas urbanas, lo que favorece la calidad de vida y el entorno ambiental.