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...
- 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
- 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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 |