La contaminación del aire constituye el problema medioambiental de principal atención en las áreas urbanas debido a que afecta la salud de la población, en especial a la de los niños. Es por ello, que la construcción de modelos de ozono que capturen tan preciso como sea posible el comportamiento de este gas en la atmósfera resulta ser el principal interés no sólo del área científica sino de las agencias gubernamentales. En esta investigación se identifican modelos de concentraciones de ozono para la Región Oriental Austriaca por medio de una metodología de Soft Computing denominada Razonamiento Inductivo Difuso (FIR), la cual es una herramienta muy útil para modelar y simular aquellos sistemas de los cuales no hay conocimiento previo disponible o éste es muy escaso. Es sabido que las variaciones en las funciones de pertenencia tienen un efecto en la eficiencia de los sistemas basados en reglas difusas. La metodología FIR no es una excepción. La eficiencia de los procesos de identificación del modelado cualitativo y de predicción de FIR está muy influenciada por los parámetros de discretización de las variables del sistema, es decir, del número de clases de cada variable y de las funciones de pertenencia que definen su semántica. Es por ello que en este trabajo se presenta una metodología híbrida, unos nuevos Sistemas Genéticos Difusos (SGDs) en el contexto de la metodología FIR que sugieren de manera automática parámetros de discretización adecuados. En este trabajo se describen en detalle los componentes principales de los métodos que utilizamos.

Air pollution is the main environmental problem of care in urban areas because it affects people's health, particularly that of children. For that reason, the construction of models of ozone catching as precise as possible the behaviour of this gas in the atmosphere appears to be the main area of interest is not only scientific but government agencies. In this research identifies models of ozone concentrations for the Eastern Region of Austria through a Soft Computing methodology called Fuzzy Inductive Reasoning (FIR), which is a very useful tool for modeling and simulating those systems which no knowledge prior available or it is very low. It is known that variations in the membership functions have an effect on the efficiency of systems based on fuzzy rules. The methodology FIR is no exception. The efficiency of the qualitative modeling and prediction process of FIR is strongly influenced by the discretization parameters of the system variables, ie the number of classes of each variable and membership functions that define its semantics. In this work presents a hybrid methodology, new Genetic Fuzzy Systems (GFSs) in the context of the FIR methodology that suggests by automatic way the discretization parameters suitable. This paper describes in detail the main components of these methods.