Al implementar algoritmos de aprendizaje automático (ML) y aprendizaje profundo (DL), abordamos el problema de la modelización de eventos de olor en el área metropolitana de Pittsburgh. Utilizamos el conjunto de datos Smell Pittsburgh para desarrollar un modelo que pueda reflejar la relación entre los eventos de malos olores y los contaminantes industriales en un territorio urbano específico. El conjunto de datos inicial resultó de la recopilación de informes ciudadanos a través de una aplicación móvil, que categorizamos de manera binaria (existencia o ausencia de eventos de olor). Investigamos la correlación de los datos de olor con los niveles de contaminación del aire que fueron registrados por una estación de referencia ubicada en el área sureste de la ciudad. El conjunto de datos inicial se procesa y evalúa para producir un conjunto de datos actualizado, que se utiliza como entrada para evaluar varios modelos de ML y DL para modelar eventos de olor. Los modelos utilizan un conjunto de datos de calidad del aire y clima para asociarlos con un evento de olor y investigar hasta qué punto estos datos se correlacionan con olores desagradables en el área metropolitana de Pittsburgh. Los resultados del modelo son satisfactorios, alcanzando una precisión del 69.6, siendo los modelos de ML los que en su mayoría superan a los modelos de DL. Este trabajo también demuestra la viabilidad de combinar la modelización ambiental con información recopilada de manera colaborativa, que podría adoptarse en otras ciudades cuando los datos relevantes estén disponibles.