Show simple item record

dc.contributor.advisorVillanueva Talavera, Edwin Rafael
dc.contributor.authorVargas Campos, Irvin Rosendo
dc.date.accessioned2020-10-29T21:40:21Z
dc.date.available2020-10-29T21:40:21Z
dc.date.created2020
dc.date.issued2020-10-29es_ES
dc.identifier.urihttp://hdl.handle.net/20.500.12404/17406
dc.description.abstractSegún la Organización Mundial de la Salud (OMS), la mala calidad del aire provoca 1 de cada 10 muertes globalmente, 7 millones de personas fallecen al año debido a enfermedades causadas por la contaminación, además la mala calidad del aire es un factor contribuyente al cambio climático, específicamente al calentamiento global. En Perú, se debe cumplir los Estándares de Calidad Ambiental (ECAs) establecidos por el Ministerio del Ambiente y supervisados por el Organismo de Evaluación y Fiscalización Ambiental (OEFA); no obstante, cumplir esta tarea se ve dificultada por la baja cantidad de estaciones de medición. Debido a ello, el presente proyecto propone estudiar diferentes estrategias de ingeniería de características y modelos de aprendizaje de máquina que puedan estimar el nivel de contaminación de aire en zonas urbanas no censadas. Para ello, se usó datos de contaminantes y variables meteorológicas recolectados por una red de monitoreo en la ciudad de Beijing, China. Se obtuvo como resultado que el modelo Linear Regression entrenado con los datasets de contaminante PM2;5 de las 5 estaciones más cercanas al punto de predicción y normalizados mediante una adaptación de Inverse Distance Weighting presentó mejor capacidad de estimación. Por otro lado, los modelos LightGBM y XGBoost presentaron resultados un poco inferiores, pero eran más robustos, pues su capacidad de estimación se mantenía estable a pesar de la modificación de la cantidad de estaciones usadas para el entrenamiento de los modelos. Como trabajo futuro, se pretende usar y adaptar los modelos estudiados en esta investigación en las zonas urbanas de Lima, Perú.es_ES
dc.description.uriTrabajo de investigaciónes_ES
dc.language.isospaes_ES
dc.publisherPontificia Universidad Católica del Perúes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rights.urihttp://creativecommons.org/licenses/by/2.5/pe/*
dc.subjectAire--Contaminación--Controles_ES
dc.subjectPartículas--Aspectos ambientaleses_ES
dc.subjectAlgoritmos--Aplicacioneses_ES
dc.titleImplementación de un modelo algorítmico para la estimación del nivel de concentración de contaminante PM2,5 en zonas urbanaes_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
thesis.degree.nameMaestro en Informática con mención en Ciencias de la Computaciónes_ES
thesis.degree.levelMaestríaes_ES
thesis.degree.grantorPontificia Universidad Católica del Perú. Escuela de Posgradoes_ES
thesis.degree.disciplineInformática con mención en Ciencias de la Computaciónes_ES
dc.type.otherTesis de maestría
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#1.02.00es_ES
dc.publisher.countryPEes_ES
renati.advisor.dni29714308
renati.advisor.orcidhttps://orcid.org/0000-0002-6540-1230es_ES
renati.discipline611087es_ES
renati.levelhttps://purl.org/pe-repo/renati/level#maestroes_ES
renati.typehttp://purl.org/pe-repo/renati/type#trabajoDeInvestigaciones_ES


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

info:eu-repo/semantics/openAccess
Except where otherwise noted, this item's license is described as info:eu-repo/semantics/openAccess