Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos

En este documento se realiza el análisis de los datos sobre calidad del agua del río Bogotá correspondiente al periodo 2008-2015 proporcionados por la Corporación Autónoma Regional (CAR) de Cundinamarca, aplicando las diferentes fases de la minería de datos con el fin de comprobar si es posible la i...

Full description

Autores:
Pedraza, Evelin
Herrera, Fabián
Díaz, Daissy
Gaona García, Paulo Alonso
Montenegro Marín, Carlos Enrique
Castro Fernández, Mario Fernando
Tipo de recurso:
Article of journal
Fecha de publicación:
2016
Institución:
Universidad Cooperativa de Colombia
Repositorio:
Repositorio UCC
Idioma:
OAI Identifier:
oai:repository.ucc.edu.co:20.500.12494/32701
Acceso en línea:
https://doi.org/10.22335/rlct.v7i2.258
https://hdl.handle.net/20.500.12494/32701
Palabra clave:
Análisis de Datos
Arbol de Desición
Indice de Calidad del Agua (ICA)
Mineria de Datos
Variables del Impacto
data analysis
data mining
decisiontree
impact variables
water quality index
Rights
openAccess
License
Atribución
id COOPER2_643d93326ba9c45a5fc9ec83175ec345
oai_identifier_str oai:repository.ucc.edu.co:20.500.12494/32701
network_acronym_str COOPER2
network_name_str Repositorio UCC
repository_id_str
dc.title.spa.fl_str_mv Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
title Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
spellingShingle Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
Análisis de Datos
Arbol de Desición
Indice de Calidad del Agua (ICA)
Mineria de Datos
Variables del Impacto
data analysis
data mining
decisiontree
impact variables
water quality index
title_short Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
title_full Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
title_fullStr Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
title_full_unstemmed Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
title_sort Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
dc.creator.fl_str_mv Pedraza, Evelin
Herrera, Fabián
Díaz, Daissy
Gaona García, Paulo Alonso
Montenegro Marín, Carlos Enrique
Castro Fernández, Mario Fernando
dc.contributor.author.none.fl_str_mv Pedraza, Evelin
Herrera, Fabián
Díaz, Daissy
Gaona García, Paulo Alonso
Montenegro Marín, Carlos Enrique
Castro Fernández, Mario Fernando
dc.subject.spa.fl_str_mv Análisis de Datos
Arbol de Desición
Indice de Calidad del Agua (ICA)
Mineria de Datos
Variables del Impacto
topic Análisis de Datos
Arbol de Desición
Indice de Calidad del Agua (ICA)
Mineria de Datos
Variables del Impacto
data analysis
data mining
decisiontree
impact variables
water quality index
dc.subject.other.spa.fl_str_mv data analysis
data mining
decisiontree
impact variables
water quality index
description En este documento se realiza el análisis de los datos sobre calidad del agua del río Bogotá correspondiente al periodo 2008-2015 proporcionados por la Corporación Autónoma Regional (CAR) de Cundinamarca, aplicando las diferentes fases de la minería de datos con el fin de comprobar si es posible la identificación de patrones de comportamiento y la definición de variables de mayor impacto en la calidad del agua de la Cuenca.
publishDate 2016
dc.date.issued.none.fl_str_mv 2016-05
dc.date.accessioned.none.fl_str_mv 2021-01-20T23:43:31Z
dc.date.available.none.fl_str_mv 2021-01-20T23:43:31Z
dc.type.none.fl_str_mv Artículo
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_6501
dc.type.coarversion.none.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/article
dc.type.version.none.fl_str_mv info:eu-repo/semantics/publishedVersion
format http://purl.org/coar/resource_type/c_6501
status_str publishedVersion
dc.identifier.issn.spa.fl_str_mv 2422-4200
dc.identifier.uri.spa.fl_str_mv https://doi.org/10.22335/rlct.v7i2.258
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12494/32701
dc.identifier.bibliographicCitation.spa.fl_str_mv Pedraza Romero, E. L., Montenegro-Marín, C. E., Herrera, F., Gaona, P., Díaz, D., & Castro, M. (2016). Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos. Revista Logos Ciencia & Tecnología, 7(2), 32-39. https://doi.org/10.22335/rlct.v7i2.258
identifier_str_mv 2422-4200
Pedraza Romero, E. L., Montenegro-Marín, C. E., Herrera, F., Gaona, P., Díaz, D., & Castro, M. (2016). Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos. Revista Logos Ciencia & Tecnología, 7(2), 32-39. https://doi.org/10.22335/rlct.v7i2.258
url https://doi.org/10.22335/rlct.v7i2.258
https://hdl.handle.net/20.500.12494/32701
dc.relation.isversionof.spa.fl_str_mv https://revistalogos.policia.edu.co:8443/index.php/rlct/article/view/258
dc.relation.ispartofjournal.spa.fl_str_mv Revista Logos Ciencia & Tecnología
dc.relation.references.spa.fl_str_mv Castro, M., Almeida, J., Ferrer, J., & Diaz, D. (2014). Indicadores de la calidad del agua: evolución y tendencias a nivel global. Ingeniería Solidaria; Vol. 10, Núm. 17 http://doi.org/10.16925/in.v9i17.811
Chica, O., Galvis, N. & Madrid, J. (2007). Validación Métodos Analíticos en Aguas. Medellín., Validación.
Coronel-Picón, Y. R., Obregón-Neira, N., & Jiménez-Romero, G. L. (2012). Relationship Patterns between Biological Information and Physical and Socioeconomic Information. The Otun River Basin in Risaralda, Bogotá: UAN. 16.
Hernández Gómez, J. (2011). Inteligencia económica. Revista Logos Ciencia & Tecnología, 3(1), 37-55. doi:http://dx.doi.org/10.22335/rlct.v3i1.105
IDEAM. (2013). Hoja metodológica del indicador índice de calidad del agua. Bogotá: IDEAM, 11.
Marín Fonseca, R., Quintero Montenegro, D., & Medina Valencia, J. (2013). El rol de la gestión del conocimiento en la implementación de un Sistema Integrado de Gestión. Revista Logos Ciencia & Tecnología, 4(2), 33-41. doi:http://dx.doi.org/10.22335/rlct.v4i2.188
Medina Bejarano, R., & Pineda Torres, N. (2012). Globalización, tecnociencias y culturas relacionales. Revista Logos Ciencia & Tecnología, 4(1), 107-120. doi:http://dx.doi.org/10.22335/rlct.v4i1.173
Pourtaghi, Z. S., Pourghasemi, H. R., Aretano, R., & Semeraro, T. (2016). Investigation of general indicators influencing on forest fire and its susceptibility modeling using different data mining techniques. Ecological Indicators, 64, 72–84. http://doi.org/10.1016/j.ecolind.2015.12.030
Roland, E., Uhrmacher, A. & Saha, K. (2009). Data mining for simulation algorithm selection. Proceeding Simutools ‘09 Proceedings of the 2nd International Conference on Simulation Tools and Techniques, 14.
Rosado Gómez, A., & Verjel Ibáñez, A. (2015). Minería de datos aplicada a la demanda del transporte aéreo en Ocaña, Norte de Santander. Revista Tecnura, 19(45), 101-114. doi:http://dx.doi.org/10.14483/udistrital.jour.tecnura.2015.3.a08
Subdirecci C. A. R., Ambiental, D., & Rep, S. (2011). Boletín de calidad de las cuencas de la jurisdicción car 2011. Bogotá:CAR, 36p.
Tunjano Huerta, C., & Calvo Valencia, D. (2011). Evaluación de sustancias fitoprotectoras usadas como estrategia de neutralización de la acción del glifosato sobre cultivos de erythroxylum coca. Revista Logos Ciencia & Tecnología, 2(2), 26-31. doi:http://dx.doi.org/10.22335/rlct.v2i2.79
Vachaud, G., Chang, F.-J., Tsai, Y.-H., Chen, P.-A., & Coynel, A. (2015). Modeling water quality in an urban river using hydrological factors – Data driven approaches. Journal of Environmental Management, 151, 87–96. http://doi.org/http://dx.doi.org/10.1016/j.jenvman.2014.12.014
Vergel, M. Martínez, J. (2015). Filosofía gerencial seis sigma en la gestión universitaria. Revista Face, 15(2). 99-106
dc.rights.license.none.fl_str_mv Atribución
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv Atribución
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 8
dc.coverage.temporal.spa.fl_str_mv Vol.7 N.2
dc.publisher.spa.fl_str_mv Universidad Cooperativa de Colombia, Facultad de Ingenierías, Ingeniería de Sistemas, Bogotá
dc.publisher.program.spa.fl_str_mv Ingeniería de Sistemas
dc.publisher.place.spa.fl_str_mv Bogotá
institution Universidad Cooperativa de Colombia
bitstream.url.fl_str_mv https://repository.ucc.edu.co/bitstreams/b903d7fc-4291-4f98-9112-9f0d9fc192e9/download
https://repository.ucc.edu.co/bitstreams/20184f1f-1269-4d21-a745-8e6f48d876ae/download
https://repository.ucc.edu.co/bitstreams/8649d8db-3b29-4ff6-a52c-ed1c686c2cce/download
https://repository.ucc.edu.co/bitstreams/44e15d3b-8e4d-4fc1-9a84-2df2cfe2c3ed/download
bitstream.checksum.fl_str_mv d487515611b2ba1b920a3c685e4b8218
3bce4f7ab09dfc588f126e1e36e98a45
c392d045c0d38848e5761947993f6d90
7f140bbafc7daff67c3c7d04f6bf473a
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad Cooperativa de Colombia
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1814247225602080768
spelling Pedraza, EvelinHerrera, FabiánDíaz, DaissyGaona García, Paulo AlonsoMontenegro Marín, Carlos Enrique Castro Fernández, Mario FernandoVol.7 N.22021-01-20T23:43:31Z2021-01-20T23:43:31Z2016-052422-4200https://doi.org/10.22335/rlct.v7i2.258https://hdl.handle.net/20.500.12494/32701Pedraza Romero, E. L., Montenegro-Marín, C. E., Herrera, F., Gaona, P., Díaz, D., & Castro, M. (2016). Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos. Revista Logos Ciencia & Tecnología, 7(2), 32-39. https://doi.org/10.22335/rlct.v7i2.258En este documento se realiza el análisis de los datos sobre calidad del agua del río Bogotá correspondiente al periodo 2008-2015 proporcionados por la Corporación Autónoma Regional (CAR) de Cundinamarca, aplicando las diferentes fases de la minería de datos con el fin de comprobar si es posible la identificación de patrones de comportamiento y la definición de variables de mayor impacto en la calidad del agua de la Cuenca.In this paper the analysis of data on water quality in the Bogotá river is performed of the 2008-2015 period provided by the Regional Autonomous Corporation (CAR) of Cundinamarca, by applying the different phases of data mining in order to check whether the identification of patterns of behavior and defining variables of greatest impact on water quality in the basin is possible.Introducción. -- objetivos. -- Estado del arte. -- resultados. -- conclusiones. -- bibliografía.http://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000343870http://orcid.org/0000-0001-6328-8994https://scienti.minciencias.gov.co/gruplac/jsp/visualiza/visualizagr.jsp?nro=00000000000599mario.castrof@campusucc.edu.co8Universidad Cooperativa de Colombia, Facultad de Ingenierías, Ingeniería de Sistemas, BogotáIngeniería de SistemasBogotáhttps://revistalogos.policia.edu.co:8443/index.php/rlct/article/view/258Revista Logos Ciencia & TecnologíaCastro, M., Almeida, J., Ferrer, J., & Diaz, D. (2014). Indicadores de la calidad del agua: evolución y tendencias a nivel global. Ingeniería Solidaria; Vol. 10, Núm. 17 http://doi.org/10.16925/in.v9i17.811Chica, O., Galvis, N. & Madrid, J. (2007). Validación Métodos Analíticos en Aguas. Medellín., Validación.Coronel-Picón, Y. R., Obregón-Neira, N., & Jiménez-Romero, G. L. (2012). Relationship Patterns between Biological Information and Physical and Socioeconomic Information. The Otun River Basin in Risaralda, Bogotá: UAN. 16.Hernández Gómez, J. (2011). Inteligencia económica. Revista Logos Ciencia & Tecnología, 3(1), 37-55. doi:http://dx.doi.org/10.22335/rlct.v3i1.105IDEAM. (2013). Hoja metodológica del indicador índice de calidad del agua. Bogotá: IDEAM, 11.Marín Fonseca, R., Quintero Montenegro, D., & Medina Valencia, J. (2013). El rol de la gestión del conocimiento en la implementación de un Sistema Integrado de Gestión. Revista Logos Ciencia & Tecnología, 4(2), 33-41. doi:http://dx.doi.org/10.22335/rlct.v4i2.188Medina Bejarano, R., & Pineda Torres, N. (2012). Globalización, tecnociencias y culturas relacionales. Revista Logos Ciencia & Tecnología, 4(1), 107-120. doi:http://dx.doi.org/10.22335/rlct.v4i1.173Pourtaghi, Z. S., Pourghasemi, H. R., Aretano, R., & Semeraro, T. (2016). Investigation of general indicators influencing on forest fire and its susceptibility modeling using different data mining techniques. Ecological Indicators, 64, 72–84. http://doi.org/10.1016/j.ecolind.2015.12.030Roland, E., Uhrmacher, A. & Saha, K. (2009). Data mining for simulation algorithm selection. Proceeding Simutools ‘09 Proceedings of the 2nd International Conference on Simulation Tools and Techniques, 14.Rosado Gómez, A., & Verjel Ibáñez, A. (2015). Minería de datos aplicada a la demanda del transporte aéreo en Ocaña, Norte de Santander. Revista Tecnura, 19(45), 101-114. doi:http://dx.doi.org/10.14483/udistrital.jour.tecnura.2015.3.a08Subdirecci C. A. R., Ambiental, D., & Rep, S. (2011). Boletín de calidad de las cuencas de la jurisdicción car 2011. Bogotá:CAR, 36p.Tunjano Huerta, C., & Calvo Valencia, D. (2011). Evaluación de sustancias fitoprotectoras usadas como estrategia de neutralización de la acción del glifosato sobre cultivos de erythroxylum coca. Revista Logos Ciencia & Tecnología, 2(2), 26-31. doi:http://dx.doi.org/10.22335/rlct.v2i2.79Vachaud, G., Chang, F.-J., Tsai, Y.-H., Chen, P.-A., & Coynel, A. (2015). Modeling water quality in an urban river using hydrological factors – Data driven approaches. Journal of Environmental Management, 151, 87–96. http://doi.org/http://dx.doi.org/10.1016/j.jenvman.2014.12.014Vergel, M. Martínez, J. (2015). Filosofía gerencial seis sigma en la gestión universitaria. Revista Face, 15(2). 99-106Análisis de DatosArbol de DesiciónIndice de Calidad del Agua (ICA)Mineria de DatosVariables del Impactodata analysisdata miningdecisiontreeimpact variableswater quality indexVariables más influyentes en la calidad del agua del río Bogotá mediante análisis de datosArtículohttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1http://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionAtribucióninfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2PublicationORIGINAL258-Texto del artículo-1176-6-10-20170504.pdf258-Texto del artículo-1176-6-10-20170504.pdfArtículoapplication/pdf430879https://repository.ucc.edu.co/bitstreams/b903d7fc-4291-4f98-9112-9f0d9fc192e9/downloadd487515611b2ba1b920a3c685e4b8218MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84334https://repository.ucc.edu.co/bitstreams/20184f1f-1269-4d21-a745-8e6f48d876ae/download3bce4f7ab09dfc588f126e1e36e98a45MD52THUMBNAIL258-Texto del artículo-1176-6-10-20170504.pdf.jpg258-Texto del artículo-1176-6-10-20170504.pdf.jpgGenerated Thumbnailimage/jpeg5409https://repository.ucc.edu.co/bitstreams/8649d8db-3b29-4ff6-a52c-ed1c686c2cce/downloadc392d045c0d38848e5761947993f6d90MD53TEXT258-Texto del artículo-1176-6-10-20170504.pdf.txt258-Texto del artículo-1176-6-10-20170504.pdf.txtExtracted texttext/plain30878https://repository.ucc.edu.co/bitstreams/44e15d3b-8e4d-4fc1-9a84-2df2cfe2c3ed/download7f140bbafc7daff67c3c7d04f6bf473aMD5420.500.12494/32701oai:repository.ucc.edu.co:20.500.12494/327012024-08-10 21:00:15.797restrictedhttps://repository.ucc.edu.coRepositorio Institucional Universidad Cooperativa de Colombiabdigital@metabiblioteca.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