USO DE LÓGICA DIFUSA PARA LA
DETERMINACIÓN DEL ÍNDICE DE CALIDAD
DEL AIRE EN LA CIUDAD DE MÉXICO
MEDIANTE INFERENCIA MAMDANI
USE OF FUZZY LOGIC TO DETERMINE THE AIR QUALITY
INDEX IN MEXICO CITY USING MAMDANI INFERENCE
Wendy Bonilla Leyva
Universidad Autónoma del Estado de México
Dora María Calderón Nepamuceno
Universidad Autónoma del Estado de México
Dra. Patricia Delgadillo Gómez
Universidad Autónoma del Estado de México
Dra. Carmen Liliana Rodríguez Paez
Universidad Autónoma del Estado de México
pág. 556
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24035
Uso de lógica difusa para la determinación del índice de calidad del aire en
la Ciudad de México mediante inferencia Mamdani
Wendy Bonilla Leyva1
wendy080599@gmail.com
https://orcid.org/0009-0006-3592-837X
Universidad Autónoma del Estado de México
México
Dora María Calderón Nepamuceno
dmcalderonn@uaemex.mx
https://orcid.org/0000-0002-4296-4049
Universidad Autónoma del Estado de México
Pais México
Dra. Patricia Delgadillo Gómez
pdelgadillog@uaemex.mx
https://orcid.org/0000-0001-7871-4925
Universidad Autónoma del Estado de México
México
Dra. Carmen Liliana Rodríguez Paez
clrodriguezp@uaemex.mx
https://orcid.org/0000-0002-3856-0797
Universidad Autónoma del Estado de México
México
RESUMEN
La evaluación de la calidad del aire en entornos urbanos representa un reto importante debido a la com-
plejidad de los contaminantes atmosféricos y su impacto en la salud pública. En la Ciudad de México,
el Índice Metropolitano de la Calidad del Aire (IMECA) proporciona información técnica que resulta
difícil de interpretar para la población general. En este trabajo se presenta el diseño e implementación
de un sistema basado en lógica difusa para determinar el nivel de riesgo asociado a la calidad del aire
utilizando como variables de entrada las concentraciones de ozono (O₃) y monóxido de carbono (CO).
El modelo utiliza funciones de pertenencia trapezoidales y un sistema de inferencia tipo Mamdani para
generar una clasificación lingüística del riesgo ambiental. Los resultados obtenidos muestran que el
sistema permite traducir valores cuantitativos en interpretaciones cualitativas comprensibles, facilitando
la toma de decisiones relacionadas con actividades al aire libre. Este enfoque demuestra la viabilidad de
la lógica difusa como herramienta de apoyo en sistemas inteligentes de monitoreo ambiental.
Palabras clave: lógica difusa, calidad del aire, IMECA, Mamdani, sistemas inteligentes ambientales.
1 Autor principal
Corresponddencia: wendy080599@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24035
Uso de lógica difusa para la determinación del índice de calidad del aire en
la Ciudad de México mediante inferencia Mamdani
Wendy Bonilla Leyva1
wendy080599@gmail.com
https://orcid.org/0009-0006-3592-837X
Universidad Autónoma del Estado de México
México
Dora María Calderón Nepamuceno
dmcalderonn@uaemex.mx
https://orcid.org/0000-0002-4296-4049
Universidad Autónoma del Estado de México
Pais México
Dra. Patricia Delgadillo Gómez
pdelgadillog@uaemex.mx
https://orcid.org/0000-0001-7871-4925
Universidad Autónoma del Estado de México
México
Dra. Carmen Liliana Rodríguez Paez
clrodriguezp@uaemex.mx
https://orcid.org/0000-0002-3856-0797
Universidad Autónoma del Estado de México
México
RESUMEN
La evaluación de la calidad del aire en entornos urbanos representa un reto importante debido a la com-
plejidad de los contaminantes atmosféricos y su impacto en la salud pública. En la Ciudad de México,
el Índice Metropolitano de la Calidad del Aire (IMECA) proporciona información técnica que resulta
difícil de interpretar para la población general. En este trabajo se presenta el diseño e implementación
de un sistema basado en lógica difusa para determinar el nivel de riesgo asociado a la calidad del aire
utilizando como variables de entrada las concentraciones de ozono (O₃) y monóxido de carbono (CO).
El modelo utiliza funciones de pertenencia trapezoidales y un sistema de inferencia tipo Mamdani para
generar una clasificación lingüística del riesgo ambiental. Los resultados obtenidos muestran que el
sistema permite traducir valores cuantitativos en interpretaciones cualitativas comprensibles, facilitando
la toma de decisiones relacionadas con actividades al aire libre. Este enfoque demuestra la viabilidad de
la lógica difusa como herramienta de apoyo en sistemas inteligentes de monitoreo ambiental.
Palabras clave: lógica difusa, calidad del aire, IMECA, Mamdani, sistemas inteligentes ambientales.
1 Autor principal
Corresponddencia: wendy080599@gmail.com
pág. 557
Use of Fuzzy Logic to Determine the Air Quality Index in Mexico City
Using Mamdani Inference
ABSTRACT
Air quality assessment in urban environments represents a major challenge due to the complexity of
atmospheric pollutants and their impact on public health. In Mexico City, the Metropolitan Air Quality
Index (IMECA) provides technical information that is often difficult for the general population to inter-
pret. This paper presents the design and implementation of a fuzzy logic-based system to determine the
risk level associated with air quality using ozone (O₃) and carbon monoxide (CO) concentrations as
input variables. The model uses trapezoidal membership functions and a Mamdani inference system to
generate a linguistic classification of environmental risk. Results show that the system translates
quantitative values into qualitative interpretations understandable by users, facilitating decision-making
regarding outdoor activities. This approach demonstrates the feasibility of fuzzy logic as a support tool
in intelligent environmental monitoring systems.
Keywords: fuzzy logic, air quality index, Mamdani inference, intelligent systems, environmental moni-
toring.
Artículo recibido 25 abril 2026
Aceptado para publicación: 25 mayo 2026
Use of Fuzzy Logic to Determine the Air Quality Index in Mexico City
Using Mamdani Inference
ABSTRACT
Air quality assessment in urban environments represents a major challenge due to the complexity of
atmospheric pollutants and their impact on public health. In Mexico City, the Metropolitan Air Quality
Index (IMECA) provides technical information that is often difficult for the general population to inter-
pret. This paper presents the design and implementation of a fuzzy logic-based system to determine the
risk level associated with air quality using ozone (O₃) and carbon monoxide (CO) concentrations as
input variables. The model uses trapezoidal membership functions and a Mamdani inference system to
generate a linguistic classification of environmental risk. Results show that the system translates
quantitative values into qualitative interpretations understandable by users, facilitating decision-making
regarding outdoor activities. This approach demonstrates the feasibility of fuzzy logic as a support tool
in intelligent environmental monitoring systems.
Keywords: fuzzy logic, air quality index, Mamdani inference, intelligent systems, environmental moni-
toring.
Artículo recibido 25 abril 2026
Aceptado para publicación: 25 mayo 2026
pág. 558
1. INTRODUCCIÓN
La contaminación atmosférica constituye uno de los principales problemas ambientales en zonas met-
ropolitanas de alta densidad poblacional como la Ciudad de México. La exposición prolongada a con-
taminantes como el ozono (O₃) y el monóxido de carbono (CO) (Molina & Molina, 2002) representa un
riesgo significativo para la salud humana, especialmente en grupos vulnerables.
Actualmente, la evaluación de la calidad del aire se realiza mediante el Índice Metropolitano de la Cal-
idad del Aire (IMECA) (García-Reynoso et al., 2009), el cual proporciona valores cuantitativos basados
en mediciones horarias obtenidas mediante estaciones de monitoreo ambiental. Sin embargo, la inter-
pretación de estos valores suele resultar compleja para usuarios no especializados.
Ante esta problemática, la lógica difusa representa una alternativa eficiente para modelar información
incierta mediante variables lingüísticas similares al razonamiento humano. En este contexto, el presente
trabajo propone el desarrollo de un sistema basado en inferencia difusa tipo Mamdani para determinar
el nivel de riesgo asociado a la calidad del aire en función de contaminantes atmosféricos relevantes.
2. ESTADO DEL ARTE
La lógica difusa ha sido ampliamente utilizada en aplicaciones relacionadas con control ambiental, mon-
itoreo atmosférico y sistemas inteligentes de soporte a la toma de decisiones(Carrasco et al., 2012).
Desde su introducción por Zadeh (1965), esta técnica ha permitido representar fenómenos complejos
mediante reglas lingüísticas interpretables.
Diversos estudios han demostrado la efectividad de los sistemas difusos en la evaluación de la calidad
del aire debido a su capacidad para integrar múltiples variables contaminantes en modelos interpreta-
tivos robustos (Kaufmann & Gupta, 1991). Particularmente, los modelos basados en inferencia
Mamdani han mostrado resultados satisfactorios en aplicaciones ambientales debido a su simplicidad y
facilidad de implementación (Mamdani & Assilian, 1975).
En el contexto mexicano, el uso del índice IMECA constituye una herramienta fundamental para evaluar
la exposición a contaminantes atmosféricos; sin embargo, existen oportunidades para mejorar su inter-
pretación mediante técnicas de inteligencia computacional.
1. INTRODUCCIÓN
La contaminación atmosférica constituye uno de los principales problemas ambientales en zonas met-
ropolitanas de alta densidad poblacional como la Ciudad de México. La exposición prolongada a con-
taminantes como el ozono (O₃) y el monóxido de carbono (CO) (Molina & Molina, 2002) representa un
riesgo significativo para la salud humana, especialmente en grupos vulnerables.
Actualmente, la evaluación de la calidad del aire se realiza mediante el Índice Metropolitano de la Cal-
idad del Aire (IMECA) (García-Reynoso et al., 2009), el cual proporciona valores cuantitativos basados
en mediciones horarias obtenidas mediante estaciones de monitoreo ambiental. Sin embargo, la inter-
pretación de estos valores suele resultar compleja para usuarios no especializados.
Ante esta problemática, la lógica difusa representa una alternativa eficiente para modelar información
incierta mediante variables lingüísticas similares al razonamiento humano. En este contexto, el presente
trabajo propone el desarrollo de un sistema basado en inferencia difusa tipo Mamdani para determinar
el nivel de riesgo asociado a la calidad del aire en función de contaminantes atmosféricos relevantes.
2. ESTADO DEL ARTE
La lógica difusa ha sido ampliamente utilizada en aplicaciones relacionadas con control ambiental, mon-
itoreo atmosférico y sistemas inteligentes de soporte a la toma de decisiones(Carrasco et al., 2012).
Desde su introducción por Zadeh (1965), esta técnica ha permitido representar fenómenos complejos
mediante reglas lingüísticas interpretables.
Diversos estudios han demostrado la efectividad de los sistemas difusos en la evaluación de la calidad
del aire debido a su capacidad para integrar múltiples variables contaminantes en modelos interpreta-
tivos robustos (Kaufmann & Gupta, 1991). Particularmente, los modelos basados en inferencia
Mamdani han mostrado resultados satisfactorios en aplicaciones ambientales debido a su simplicidad y
facilidad de implementación (Mamdani & Assilian, 1975).
En el contexto mexicano, el uso del índice IMECA constituye una herramienta fundamental para evaluar
la exposición a contaminantes atmosféricos; sin embargo, existen oportunidades para mejorar su inter-
pretación mediante técnicas de inteligencia computacional.
pág. 559
3. METODOLOGÍA
El sistema propuesto se basa en un modelo de inferencia difusa tipo Mamdani compuesto por cuatro
etapas:
• fuzzificación
• base de conocimiento
• inferencia difusa
• defuzzificación
Se definieron como variables de entrada:
• ozono (O₃)
• monóxido de carbono (CO)
y como variable de salida:
• nivel de riesgo por calidad del aire
De acuerdo con la Norma Ambiental NADF-009-AIRE-2017(NOM-020-SSA1-2014), se tomaron los
siguientes valores lingüísticos. Las variables lingüísticas utilizadas fueron:
• Buena
• Regular
• Mala
• Muy malaExtremadamente mala
Los valores oscilan entre 0 a 500 IMECAS por las partículas de ozono, y de 0 a 5000 por las partículas
de Monóxido de carbono. (SEMARNAT, 2017) como se muestra en la tabla 1.
Tabla 1 Entrada: Valores para el conjunto difuso (Elaboración propia. 2026).
Valor lingüístico Ozono Monóxido de carbono
Baja 0 - 50 0 - 500
Moderado 51 - 100 501 - 1000
Alto 101 - 150 1001 - 1500
Muy alto 151 - 200 1501 - 2000
Extremadamente alto 201 - 500 2001 - 5000
3. METODOLOGÍA
El sistema propuesto se basa en un modelo de inferencia difusa tipo Mamdani compuesto por cuatro
etapas:
• fuzzificación
• base de conocimiento
• inferencia difusa
• defuzzificación
Se definieron como variables de entrada:
• ozono (O₃)
• monóxido de carbono (CO)
y como variable de salida:
• nivel de riesgo por calidad del aire
De acuerdo con la Norma Ambiental NADF-009-AIRE-2017(NOM-020-SSA1-2014), se tomaron los
siguientes valores lingüísticos. Las variables lingüísticas utilizadas fueron:
• Buena
• Regular
• Mala
• Muy malaExtremadamente mala
Los valores oscilan entre 0 a 500 IMECAS por las partículas de ozono, y de 0 a 5000 por las partículas
de Monóxido de carbono. (SEMARNAT, 2017) como se muestra en la tabla 1.
Tabla 1 Entrada: Valores para el conjunto difuso (Elaboración propia. 2026).
Valor lingüístico Ozono Monóxido de carbono
Baja 0 - 50 0 - 500
Moderado 51 - 100 501 - 1000
Alto 101 - 150 1001 - 1500
Muy alto 151 - 200 1501 - 2000
Extremadamente alto 201 - 500 2001 - 5000
pág. 560
Entrada
Salida
Los valores lingüísticos para la salida se desarrollaron tomando en cuenta la Norma Ambiental NADF-
009-AIRE-2017 y representan si el aire representa un riesgo a la salud de la población como se muestra
en la table 2:
• Riesgo Bajo (B)
• Riesgo Moderado (M)
• Riesgo Alto (A)
• Riesgo Muy Alto (MA)
Tabla 2 Índice para la calidad del aire (Elaboración propia, 2026)
Índice Valor lingüístico Mensaje sobre la salud para población susceptible
1-3 Riesgo bajo Disfruta de tus actividades normales al aire libre
4-6 Riesgo moderado Considera reducir o reprogramar las actividades
que requieran esfuerzo físico del aire libre si pre-
senta síntomas.
7-10 Riesgo alto Reduce o vuelve a reprogramar las actividades
que requieran esfuerzo físico al aire libre si pre-
senta síntomas o mantente en interiores.
10+ Riesgo muy alto Evita realizar actividades al aire libre.
Se emplearon funciones de pertenencia trapezoidales debido a su eficiencia computacional y facilidad
de interpretación en sistemas difusos aplicados a monitoreo ambiental (Pedrycz & Gomide, 2007).
La base de conocimiento del sistema está compuesta por 25 reglas difusas del tipo:
SI Ozono es buena Y CO es buena
ENTONCES riesgo es bajo
Estas reglas permiten modelar la interacción entre contaminantes atmosféricos dentro del sistema de
inferencia (Klir & Yuan, 1995) .
Entrada
Salida
Los valores lingüísticos para la salida se desarrollaron tomando en cuenta la Norma Ambiental NADF-
009-AIRE-2017 y representan si el aire representa un riesgo a la salud de la población como se muestra
en la table 2:
• Riesgo Bajo (B)
• Riesgo Moderado (M)
• Riesgo Alto (A)
• Riesgo Muy Alto (MA)
Tabla 2 Índice para la calidad del aire (Elaboración propia, 2026)
Índice Valor lingüístico Mensaje sobre la salud para población susceptible
1-3 Riesgo bajo Disfruta de tus actividades normales al aire libre
4-6 Riesgo moderado Considera reducir o reprogramar las actividades
que requieran esfuerzo físico del aire libre si pre-
senta síntomas.
7-10 Riesgo alto Reduce o vuelve a reprogramar las actividades
que requieran esfuerzo físico al aire libre si pre-
senta síntomas o mantente en interiores.
10+ Riesgo muy alto Evita realizar actividades al aire libre.
Se emplearon funciones de pertenencia trapezoidales debido a su eficiencia computacional y facilidad
de interpretación en sistemas difusos aplicados a monitoreo ambiental (Pedrycz & Gomide, 2007).
La base de conocimiento del sistema está compuesta por 25 reglas difusas del tipo:
SI Ozono es buena Y CO es buena
ENTONCES riesgo es bajo
Estas reglas permiten modelar la interacción entre contaminantes atmosféricos dentro del sistema de
inferencia (Klir & Yuan, 1995) .
pág. 561
CO (Monóxido de carbono)
O3 (Ozono)
Buena Regular Mala Muy mala Extr. mala
Buena RB RM RA RMA REA
Regular RM RM RA RMA REA
Mala RA RA RA RMA REA
Muy mala RMA RMA RMA RMA REA
Extr. mala REA REA REA REA REA
4. Implementación del sistema difuso
El sistema fue implementado utilizando el lenguaje de programación Java en el entorno NetBeans, per-
mitiendo modelar las funciones de pertenencia, las variables lingüísticas y la base de reglas difusas
(Acampora & Loia, 2005).
Durante la etapa de fuzzificación, los valores de entrada son transformados en grados de pertenencia
dentro del intervalo [0,1]. Posteriormente, el sistema de inferencia Mamdani evalúa las reglas activadas
mediante operadores lógicos AND utilizando el operador mínimo (Saini et al., 2020).
Finalmente, la etapa de defuzzificación utiliza el método del centroide para obtener un valor numérico
representativo del nivel de riesgo ambiental (Ross, 2010).
5. Resultados experimentales
Para validar el funcionamiento del sistema se utilizaron los siguientes valores de entrada:
Ozono = 43 IMECAS
CO = 430 IMECAS
CO (Monóxido de carbono)
O3 (Ozono)
Buena Regular Mala Muy mala Extr. mala
Buena RB RM RA RMA REA
Regular RM RM RA RMA REA
Mala RA RA RA RMA REA
Muy mala RMA RMA RMA RMA REA
Extr. mala REA REA REA REA REA
4. Implementación del sistema difuso
El sistema fue implementado utilizando el lenguaje de programación Java en el entorno NetBeans, per-
mitiendo modelar las funciones de pertenencia, las variables lingüísticas y la base de reglas difusas
(Acampora & Loia, 2005).
Durante la etapa de fuzzificación, los valores de entrada son transformados en grados de pertenencia
dentro del intervalo [0,1]. Posteriormente, el sistema de inferencia Mamdani evalúa las reglas activadas
mediante operadores lógicos AND utilizando el operador mínimo (Saini et al., 2020).
Finalmente, la etapa de defuzzificación utiliza el método del centroide para obtener un valor numérico
representativo del nivel de riesgo ambiental (Ross, 2010).
5. Resultados experimentales
Para validar el funcionamiento del sistema se utilizaron los siguientes valores de entrada:
Ozono = 43 IMECAS
CO = 430 IMECAS
pág. 562
Durante la etapa de fuzzificación se obtuvieron grados de pertenencia simultáneos en las categorías
“buena” y “regular” para ambas variables.
El sistema activó cuatro reglas difusas correspondientes a condiciones de riesgo bajo. Posteriormente,
mediante el método del centroide se obtuvo el valor:
x = 4.79
Durante la etapa de fuzzificación se obtuvieron grados de pertenencia simultáneos en las categorías
“buena” y “regular” para ambas variables.
El sistema activó cuatro reglas difusas correspondientes a condiciones de riesgo bajo. Posteriormente,
mediante el método del centroide se obtuvo el valor:
x = 4.79
pág. 563
Este resultado corresponde a un nivel de riesgo bajo dentro de la escala definida por el sistema difuso.
Los resultados obtenidos demuestran la consistencia del modelo propuesto para representar condiciones
reales de calidad del aire.
6. DISCUSIÓN
Los sistemas basados en lógica difusa permiten representar información ambiental compleja mediante
reglas interpretables por humanos. Esto representa una ventaja significativa frente a modelos determi-
nísticos tradicionales. Para proyectar el modelo hacia entornos de Ciudades Inteligentes e IoT (Marques
et al., 2019)
El modelo propuesto permite integrar múltiples contaminantes en una sola métrica interpretable, lo que
facilita la toma de decisiones relacionadas con actividades al aire libre y estrategias de prevención en
salud pública. Para correlacionar el índice cualitativo con la prevención médica active (Pope et al.,
2002)
Además, el sistema puede adaptarse fácilmente a otras ciudades siempre que exista disponibilidad de
datos provenientes de estaciones de monitoreo ambiental.
7. CONCLUSIONES
Se desarrolló un sistema basado en lógica difusa tipo Mamdani capaz de determinar el nivel de riesgo
asociado a la calidad del aire utilizando concentraciones de ozono y monóxido de carbono como varia-
bles de entrada.
Este resultado corresponde a un nivel de riesgo bajo dentro de la escala definida por el sistema difuso.
Los resultados obtenidos demuestran la consistencia del modelo propuesto para representar condiciones
reales de calidad del aire.
6. DISCUSIÓN
Los sistemas basados en lógica difusa permiten representar información ambiental compleja mediante
reglas interpretables por humanos. Esto representa una ventaja significativa frente a modelos determi-
nísticos tradicionales. Para proyectar el modelo hacia entornos de Ciudades Inteligentes e IoT (Marques
et al., 2019)
El modelo propuesto permite integrar múltiples contaminantes en una sola métrica interpretable, lo que
facilita la toma de decisiones relacionadas con actividades al aire libre y estrategias de prevención en
salud pública. Para correlacionar el índice cualitativo con la prevención médica active (Pope et al.,
2002)
Además, el sistema puede adaptarse fácilmente a otras ciudades siempre que exista disponibilidad de
datos provenientes de estaciones de monitoreo ambiental.
7. CONCLUSIONES
Se desarrolló un sistema basado en lógica difusa tipo Mamdani capaz de determinar el nivel de riesgo
asociado a la calidad del aire utilizando concentraciones de ozono y monóxido de carbono como varia-
bles de entrada.
pág. 564
El modelo permite traducir valores técnicos del índice IMECA en interpretaciones comprensibles para
la población general, facilitando la toma de decisiones relacionadas con la exposición a contaminantes
atmosféricos.
Los resultados obtenidos confirman la viabilidad del uso de lógica difusa como herramienta de apoyo
en sistemas inteligentes de monitoreo ambiental urbano.
9. REFERENCIAS BIBLIOGRÁFICAS
Zadeh, L. A. (1965). Fuzzy sets. Information and Control.
Luna, G. M. (2002). Introducción a la lógica difusa. CINVESTAV.
Lee, C. C. (1990). Fuzzy logic in control systems.
SEMARNAT (2017). Índice Metropolitano de la Calidad del Aire.
Vallejo et al. (2003). Efectos de la contaminación atmosférica en la salud. Gaceta Médica de México.
Acampora, G., & Loia, V. (2005). Fuzzy control interoperability and Java technology. IEEE Transac-
tions on Industrial Informatics, 1(4), 252-265.
Borrego, C., Saavedra, S., Costa, A. M., Torres, J. A., & Martins, H. (2006). Optimization of air quality
monitoring networks in urban areas. Atmospheric Environment, 40(28), 5460-5471.
Carrasco, E., Figueroa, I., & Salgado, R. (2012). Assessment and prediction of air quality using fuzzy
logic and autoregressive models in Mexico City. Atmospheric Environment, 60, 411-420.
Dunea, D., Iordache, S., & Liu, H. Y. (2011). Fuzzy inference systems for estimation of Air Quality
Index. Romanian Journal of Meteorology, 13(1-2), 45-56.
García-Reynoso, J. A., Grutter, M., & Ruiz-Suárez, L. G. (2009). Evaluación del Índice Metropolitano
de la Calidad del Aire (IMECA) y su percepción pública. Revista Internacional de Contamina-
ción Ambiental, 25(3), 175-189.
Kaufmann, A., & Gupta, M. M. (1991). Introduction to fuzzy arithmetic: Theory and applications. Van
Nostrand Reinhold.
Klir, G. J., & Yuan, B. (1995). Fuzzy sets and fuzzy logic: Theory and applications. Prentice Hall.
Mamdani, E. H., & Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic control-
ler. International Journal of Man-Machine Studies, 7(1), 1-13.
El modelo permite traducir valores técnicos del índice IMECA en interpretaciones comprensibles para
la población general, facilitando la toma de decisiones relacionadas con la exposición a contaminantes
atmosféricos.
Los resultados obtenidos confirman la viabilidad del uso de lógica difusa como herramienta de apoyo
en sistemas inteligentes de monitoreo ambiental urbano.
9. REFERENCIAS BIBLIOGRÁFICAS
Zadeh, L. A. (1965). Fuzzy sets. Information and Control.
Luna, G. M. (2002). Introducción a la lógica difusa. CINVESTAV.
Lee, C. C. (1990). Fuzzy logic in control systems.
SEMARNAT (2017). Índice Metropolitano de la Calidad del Aire.
Vallejo et al. (2003). Efectos de la contaminación atmosférica en la salud. Gaceta Médica de México.
Acampora, G., & Loia, V. (2005). Fuzzy control interoperability and Java technology. IEEE Transac-
tions on Industrial Informatics, 1(4), 252-265.
Borrego, C., Saavedra, S., Costa, A. M., Torres, J. A., & Martins, H. (2006). Optimization of air quality
monitoring networks in urban areas. Atmospheric Environment, 40(28), 5460-5471.
Carrasco, E., Figueroa, I., & Salgado, R. (2012). Assessment and prediction of air quality using fuzzy
logic and autoregressive models in Mexico City. Atmospheric Environment, 60, 411-420.
Dunea, D., Iordache, S., & Liu, H. Y. (2011). Fuzzy inference systems for estimation of Air Quality
Index. Romanian Journal of Meteorology, 13(1-2), 45-56.
García-Reynoso, J. A., Grutter, M., & Ruiz-Suárez, L. G. (2009). Evaluación del Índice Metropolitano
de la Calidad del Aire (IMECA) y su percepción pública. Revista Internacional de Contamina-
ción Ambiental, 25(3), 175-189.
Kaufmann, A., & Gupta, M. M. (1991). Introduction to fuzzy arithmetic: Theory and applications. Van
Nostrand Reinhold.
Klir, G. J., & Yuan, B. (1995). Fuzzy sets and fuzzy logic: Theory and applications. Prentice Hall.
Mamdani, E. H., & Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic control-
ler. International Journal of Man-Machine Studies, 7(1), 1-13.
pág. 565
Marques, G., Ferreira, C. R., & Pitarma, R. (2019). Indoor air quality assessment using a fuzzy inference
system. IEEE Access, 7, 126659-126668.
Molina, L. T., & Molina, M. J. (Eds.). (2002). Air quality in the Mexico megacity: An integrated assess-
ment. Kluwer Academic Publishers.
Norma Oficial Mexicana NOM-020-SSA1-2014. Salud ambiental. Valor límite permisible para la con-
centración de ozono (O3) en el aire ambiente y criterios para su evaluación. Secretaría de Salud.
Pedrycz, W., & Gomide, F. (2007). Fuzzy systems engineering: Toward human-centric computing. John
Wiley & Sons.
Pope, C. A., Burnett, R. T., Thun, M. J., Calle, E. E., Krewski, D., Ito, K., & Thurston, G. D. (2002).
Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollu-
tion. JAMA, 287(9), 1132-1141.
Ross, T. J. (2010). Fuzzy logic with engineering applications (3rd ed.). John Wiley & Sons.
Saini, R., Kumar, M., & Singh, R. (2020). Air quality index assessment using fuzzy Mamdani inference
system: A case study. Environmental Monitoring and Assessment, 192(8), 512.
Marques, G., Ferreira, C. R., & Pitarma, R. (2019). Indoor air quality assessment using a fuzzy inference
system. IEEE Access, 7, 126659-126668.
Molina, L. T., & Molina, M. J. (Eds.). (2002). Air quality in the Mexico megacity: An integrated assess-
ment. Kluwer Academic Publishers.
Norma Oficial Mexicana NOM-020-SSA1-2014. Salud ambiental. Valor límite permisible para la con-
centración de ozono (O3) en el aire ambiente y criterios para su evaluación. Secretaría de Salud.
Pedrycz, W., & Gomide, F. (2007). Fuzzy systems engineering: Toward human-centric computing. John
Wiley & Sons.
Pope, C. A., Burnett, R. T., Thun, M. J., Calle, E. E., Krewski, D., Ito, K., & Thurston, G. D. (2002).
Lung cancer, cardiopulmonary mortality, and long-term exposure to fine particulate air pollu-
tion. JAMA, 287(9), 1132-1141.
Ross, T. J. (2010). Fuzzy logic with engineering applications (3rd ed.). John Wiley & Sons.
Saini, R., Kumar, M., & Singh, R. (2020). Air quality index assessment using fuzzy Mamdani inference
system: A case study. Environmental Monitoring and Assessment, 192(8), 512.