La industria minera enfrenta desafíos persistentes relacionados con las emisiones de gases peligrosos. Los vehículos con motor diésel son comúnmente utilizados durante los turnos de trabajo y son una fuente principal de óxidos de nitrógeno (NOx) en las minas subterráneas. A pesar de que los fabricantes de motores diésel proporcionan datos de generación de gases, las empresas mineras necesitan predecir las emisiones de NOx de numerosos vehículos de carga y descarga (LHD) que operan en condiciones dinámicas y que no siempre están equipados con sensores de gases. Este estudio se centró en dos métodos de conjunto: la agregación bootstrap (bagging) y el aumento de mínimos cuadrados (boosting) para predecir las emisiones de NOx. Estos enfoques combinan múltiples modelos estadísticos más débiles para obtener un resultado robusto. La innovación de esta investigación radica en el análisis estadístico y la selección de los parámetros de trabajo de los vehículos LHD, que son los más adecuados para la predicción de emisiones de NOx; el desarrollo del procedimiento de limpieza y procesamiento de datos fuente, construcción del modelo y análisis de factores que pueden influir en la precisión; y la comparación de los dos métodos de conjunto y la muestra de sus ventajas y limitaciones para esta aplicación ingenieril específica, que no se había reportado previamente en la literatura. Para conjuntos de datos obtenidos del mismo vehículo LHD y diferentes operadores, el método de bagging más eficiente dio un coeficiente de determinación > 0.79 y el error cuadrático medio estaba por debajo de 30 ppm, lo cual es comparable con la precisión de medición para regímenes transitorios de los sensores físicos de NOx disponibles en el mercado. Las percepciones obtenidas pueden ser utilizadas como entrada para sistemas de ventilación de minas, mejorando la gestión del transporte minero, reduciendo la contaminación del aire en el lugar de trabajo, mejorando la planificación del trabajo y aumentando la seguridad del personal.