Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional

Dada la naturaleza renovable del agua, este recurso se ha tratado y gestionado tradicionalmente como si fuese ilimitado, sin embargo el incremento indiscriminado de su uso ha acarreado consigo un acelerado deterioro en su calidad; es así como la predicción de la calidad del agua desempeña un papel m...

Full description

Autores:: Lopez, Ivan Dario
Figueroa, Apolinar
Corrales, Juan Carlos

Tipo de recurso:: Article of journal

Fecha de publicación:: 2016

Institución:: Universidad de Medellín

Repositorio:: Repositorio UDEM

Idioma:: spa

id	REPOUDEM2_e9eca60ad572e446460ecac64273d91c
oai_identifier_str	oai:repository.udem.edu.co:11407/3558
network_acronym_str	REPOUDEM2
network_name_str	Repositorio UDEM
repository_id_str
dc.title.spa.fl_str_mv	Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional A systematic mapping of water quality prediction using computational intelligence techniques
title	Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional
spellingShingle	Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional Water quality Computational intelligence Forecasting Complex adaptive systems Calidad del agua Inteligencia computacional Predicción Sistemas adaptativos complejos
title_short	Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional
title_full	Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional
title_fullStr	Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional
title_full_unstemmed	Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional
title_sort	Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional
dc.creator.fl_str_mv	Lopez, Ivan Dario Figueroa, Apolinar Corrales, Juan Carlos
dc.contributor.author.none.fl_str_mv	Lopez, Ivan Dario Figueroa, Apolinar Corrales, Juan Carlos
dc.subject.spa.fl_str_mv	Water quality Computational intelligence Forecasting Complex adaptive systems Calidad del agua Inteligencia computacional Predicción Sistemas adaptativos complejos
topic	Water quality Computational intelligence Forecasting Complex adaptive systems Calidad del agua Inteligencia computacional Predicción Sistemas adaptativos complejos
description	Dada la naturaleza renovable del agua, este recurso se ha tratado y gestionado tradicionalmente como si fuese ilimitado, sin embargo el incremento indiscriminado de su uso ha acarreado consigo un acelerado deterioro en su calidad; es así como la predicción de la calidad del agua desempeña un papel muy importante para muchos sectores socio-económicos que dependen del uso del preciado líquido. En este estudio se realiza un mapeo sistemático de la literatura concerniente a la predicción de la calidad del agua haciendo uso de técnicas de Inteligencia Computacional, incluyendo aquellas utilizadas para calibrar modelos predictivos en aras de mejorar su precisión. A partir de las preguntas de investigación formuladas en el mapeo sistemático es identificada una brecha orientada a la creación de un mecanismo adaptativo de predicción de calidad del agua que pueda ser aplicado en diferentes usos del agua sin que la precisión de las predicciones se vea afectada.
publishDate	2016
dc.date.created.none.fl_str_mv	2016-06-30
dc.date.accessioned.none.fl_str_mv	2017-06-29T22:22:37Z
dc.date.available.none.fl_str_mv	2017-06-29T22:22:37Z
dc.type.eng.fl_str_mv	Article
dc.type.coar.fl_str_mv	http://purl.org/coar/resource_type/c_2df8fbb1
dc.type.coarversion.fl_str_mv	http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_6501
dc.type.local.spa.fl_str_mv	Artículo científico
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/article
format	http://purl.org/coar/resource_type/c_6501
dc.identifier.issn.none.fl_str_mv	1692-3324
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11407/3558
dc.identifier.doi.none.fl_str_mv	http://dx.doi.org/10.22395/rium.v15n28a2
dc.identifier.eissn.none.fl_str_mv	2248-4094
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad de Medellín
dc.identifier.repourl.none.fl_str_mv	repourl:https://repository.udem.edu.co/
dc.identifier.instname.spa.fl_str_mv	instname:Universidad de Medellín
identifier_str_mv	1692-3324 http://dx.doi.org/10.22395/rium.v15n28a2 2248-4094 reponame:Repositorio Institucional Universidad de Medellín repourl:https://repository.udem.edu.co/ instname:Universidad de Medellín
url	http://hdl.handle.net/11407/3558
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.uri.none.fl_str_mv	http://revistas.udem.edu.co/index.php/ingenierias/article/view/1068
dc.relation.citationvolume.none.fl_str_mv	15
dc.relation.citationissue.none.fl_str_mv	28
dc.relation.citationstartpage.none.fl_str_mv	35
dc.relation.citationendpage.none.fl_str_mv	52
dc.relation.references.spa.fl_str_mv	P. J. and J. S. Claudia Pahl-Wostl y C., Paul Jeffrey, and Jan Sendzimir. Pahl-Wostl, Adaptive and integrated management of water resources. publisherNameCambridge University Press, 2011. Consejo Económico y Social de Castilla-Mancha, “Estudio La gestión del Agua en Castilla-La Mancha”. 2004. Comunidad Autónoma de Extremadura, Agentes Forestales de Extremadura. Legislacion Básica Ebook. MAD-Eduforma, 2003. IDEAM, “Calidad del Agua Superficial en Colombia”, en Estudio Nacional del Agua, 2010, pp. 231-277. N. Rescher, Predicting the Future: An Introduction to the Theory of Forecasting. SUNY Press, 1998. E. Kumar, Artificial Intelligence. I.K. International Publishing House Pvt. Limited, 2008. A. P. Engelbrecht, Computational Intelligence: An Introduction. Wiley, 2007. B. Kitchenham y S. Charters, “Guidelines for performing Systematic Literature Reviews in Software Engineering”, Keele University and Durham University Joint Report, UK, EBSE 2007-001, 2007. K. Petersen, R. Feldt, S. Mujtaba, y M. Mattsson, “Systematic Mapping Studies in Software Engineering”, en Proceedings of the 12th International Conference on Evaluation and Assessment in Software Engineering, Swinton, UK, UK, 2008, pp. 68–77. J. M. Pérez, Inteligencia computacional inspirada en la vida. Servicio de Publicaciones e Intercambio Científico de la Universidad de Málaga, 2010. J. Grbović y S. Džeroski, “Knowledge discovery in a water quality database”, Proc 1st Intl Conf Knowl. Discov. Data Min. KDD95 AAAI Press Menlo Park CA 1995. S. Džeroski, D. Demšar, y J. Grbović, “Predicting Chemical Parameters of River Water Quality from Bioindicator Data”, Appl. Intell., vol. 13, n.° 1, pp. 7–17, jul. 2000. L. Breiman, Classification and regression trees. Chapman & Hall, 1984. H. Blockeel, S. Dzeroski, y J. Grbovic, Simultaneous prediction of multiple chemical parameters of river water quality with TILDE. 1999. T. G. Dietterich, “Ensemble Methods in Machine Learning”, en Multiple Classifier Systems, Springer Berlin Heidelberg, 2000, pp. 1-15. I. Partalas, G. Tsoumakas, E. V. Hatzikos, y I. Vlahavas, “Greedy regression ensemble selection: Theory and an application to water quality prediction”, Inf. Sci., vol. 178, n.° 20, pp. 3867-3879, oct. 2008. G. Tan, J. Yan, C. Gao, y S. Yang, “Prediction of water quality time series data based on least squares support vector machine”, Procedia Eng., vol. 31, pp. 1194-1199, 2012. K. Gurney, An Introduction to Neural Networks. Taylor & Francis, 2003. D. E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, 1989. E. Cox, The Fuzzy Systems Handbook: A Practitioner’s Guide to Building, Using, and Maintaining Fuzzy Systems. San Diego, CA, USA: Academic Press Professional, Inc., 1994. C. E. Romero y J. Shan, “Development of an Artificial Neural Network-based Software for Prediction of Power Plant Canal Water Discharge Temperature”, Expert Syst Appl, vol. 29, n.° 4, pp. 831–838, nov. 2005. J. Gutiérrez, W. Riss, y R. Ospina, “Bioindicación de la calidad del agua con macroinvertebrados acuáticos en la sabana de Bogotá, utilizando redes neuronales artificiales”, Caldasia, vol. 26, n.° 1, pp. 151-160, 2004. I. García, J. G. Rodríguez, F. López, y Y. M. Tenorio, “Transporte de contaminantes en aguas subterráneas mediante redes neuronales artificiales”, Inf. Tecnológica, vol. 21, n.° 5, pp. 79-86, 2010. A. I. Saint-Gerons y J. M. Adrados, “Desarrollo de una red neuronal para estimar el oxígeno disuelto en el agua a partir de instrumentación de EDAR”. A. Ogata y R. B. Banks, “A solution of the differential equation of longitudinal dispersion in porous media”, 1961. G. J. Pelletier, S. C. Chapra, y H. Tao, “QUAL2Kw – A framework for modeling water quality in streams and rivers using a genetic algorithm for calibration”, Environ. Model. Softw., vol. 21, n.° 3, pp. 419-425, mar. 2006. S. Liu, D. Butler, R. Brazier, L. Heathwaite, y S.-T. Khu, “Using genetic algorithms to calibrate a water quality model”, Sci. Total Environ., vol. 374, n.° 2-3, pp. 260-272, mar. 2007. Y. Huang y L. Liu, “Multiobjective Water Quality Model Calibration Using a Hybrid Genetic Algorithm and Neural Network–Based Approach”, J. Environ. Eng., vol. 136, n.° 10, pp. 1020-1031, 2010. K. Chau, “A Split-Step PSO Algorithm in Prediction of Water Quality Pollution”, en Advances in Neural Networks – ISNN 2005, J. Wang, X.-F. Liao, y Z. Yi, Eds. Springer Berlin Heidelberg, 2005, pp. 1034-1039. A. M. Baltar y D. G. Fontane, “A generalized multiobjective particle swarm optimization solver for spreadsheet models: application to water quality”, Proc. Twenty Sixth Annu. Am. Geophys. Union Hydrol. Days, pp. 20-22, 2006. A. Afshar, H. Kazemi, y M. Saadatpour, “Particle Swarm Optimization for Automatic Calibration of Large Scale Water Quality Model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran”, Water Resour. Manag., vol. 25, n.° 10, pp. 2613-2632, ago. 2011. J. Zhangzan, X. Gang, C. Jiujun, y G. Fei, “Anomaly detection of water quality based on visual perception and V-detector”, Inf. Control, vol. 1, p. 026, 2011. S. Liu, H. Tai, Q. Ding, D. Li, L. Xu, y Y. Wei, “A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction”, Math. Comput. Model., vol. 58, n.° 3-4, pp. 458-465, ago. 2013. S. Liu, L. Xu, D. Li, Q. Li, Y. Jiang, H. Tai, y L. Zeng, “Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization”, Comput. Electron. Agric., vol. 95, pp. 82-91, jul. 2013. D. Ömer Faruk, “A hybrid neural network and ARIMA model for water quality time series prediction”, Eng. Appl. Artif. Intell., vol. 23, n.° 4, pp. 586-594, jun. 2010. L. A. Díaz-Robles, J. C. Ortega, J. S. Fu, G. D. Reed, J. C. Chow, J. G. Watson, y J. A. Moncada-Herrera, “A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: The case of Temuco, Chile”, Atmos. Environ., vol. 42, n.° 35, pp. 8331-8340, nov. 2008.
dc.relation.ispartofjournal.spa.fl_str_mv	Revista Ingenierías Universidad de Medellín
dc.rights.coar.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.creativecommons.*.fl_str_mv	Attribution-NonCommercial-ShareAlike 4.0 International
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-sa/4.0/ Attribution-NonCommercial-ShareAlike 4.0 International http://purl.org/coar/access_right/c_abf2
dc.format.extent.spa.fl_str_mv	p. 35-52
dc.format.medium.spa.fl_str_mv	Electrónico
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.coverage.spa.fl_str_mv	Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degreesLong: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.publisher.spa.fl_str_mv	Universidad de Medellín
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingenierías
dc.publisher.place.spa.fl_str_mv	Medellín
dc.source.spa.fl_str_mv	Revista Ingenierías Universidad de Medellín; Vol. 15, núm. 28 (2016) 2248-4094 1692-3324
institution	Universidad de Medellín
bitstream.url.fl_str_mv	http://repository.udem.edu.co/bitstream/11407/3558/3/Revista_Ingenierias_UdeM_272.pdf.jpg http://repository.udem.edu.co/bitstream/11407/3558/1/Articulo.html http://repository.udem.edu.co/bitstream/11407/3558/2/Revista_Ingenierias_UdeM_272.pdf
bitstream.checksum.fl_str_mv	7b2f775e42b9750591c8b1558a279bee 23f8e83364f831bb226ccabb9cda6c29 66e5ac0c713dcad311e4d77c25504cf7
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad de Medellin
repository.mail.fl_str_mv	repositorio@udem.edu.co
_version_	1814159205876105216
spelling	Lopez, Ivan DarioFigueroa, ApolinarCorrales, Juan CarlosLopez, Ivan Dario; Universidad del CaucaFigueroa, Apolinar; Universidad del caucaCorrales, Juan Carlos; Universidad del Cauca2017-06-29T22:22:37Z2017-06-29T22:22:37Z2016-06-301692-3324http://hdl.handle.net/11407/3558 http://dx.doi.org/10.22395/rium.v15n28a22248-4094reponame:Repositorio Institucional Universidad de Medellínrepourl:https://repository.udem.edu.co/instname:Universidad de MedellínDada la naturaleza renovable del agua, este recurso se ha tratado y gestionado tradicionalmente como si fuese ilimitado, sin embargo el incremento indiscriminado de su uso ha acarreado consigo un acelerado deterioro en su calidad; es así como la predicción de la calidad del agua desempeña un papel muy importante para muchos sectores socio-económicos que dependen del uso del preciado líquido. En este estudio se realiza un mapeo sistemático de la literatura concerniente a la predicción de la calidad del agua haciendo uso de técnicas de Inteligencia Computacional, incluyendo aquellas utilizadas para calibrar modelos predictivos en aras de mejorar su precisión. A partir de las preguntas de investigación formuladas en el mapeo sistemático es identificada una brecha orientada a la creación de un mecanismo adaptativo de predicción de calidad del agua que pueda ser aplicado en diferentes usos del agua sin que la precisión de las predicciones se vea afectada.Due to the renewable nature of water, this resource has been treated and managed as if it were unlimited; however, increase the indiscriminate use has brought with it a rapid deterioration in quality; so as predicting water quality has a very important role for many socio-economic sectors that depend on the use of the precious liquid. In this study, a systematic literature mapping was performed about water quality prediction using computational intelligence techniques, including those used to calibrate predictive models in order to improve accuracy. Based on research questions formulated in the systematic mapping, a gap is identified oriented to creation of an adaptive mechanism for predicting water quality that can be applied in different water uses without raised the accuracy of the predictions is affected.p. 35-52Electrónicoapplication/pdfspaUniversidad de MedellínFacultad de IngenieríasMedellínhttp://revistas.udem.edu.co/index.php/ingenierias/article/view/106815283552P. J. and J. S. Claudia Pahl-Wostl y C., Paul Jeffrey, and Jan Sendzimir. Pahl-Wostl, Adaptive and integrated management of water resources. publisherNameCambridge University Press, 2011.Consejo Económico y Social de Castilla-Mancha, “Estudio La gestión del Agua en Castilla-La Mancha”. 2004.Comunidad Autónoma de Extremadura, Agentes Forestales de Extremadura. Legislacion Básica Ebook. MAD-Eduforma, 2003.IDEAM, “Calidad del Agua Superficial en Colombia”, en Estudio Nacional del Agua, 2010, pp. 231-277.N. Rescher, Predicting the Future: An Introduction to the Theory of Forecasting. SUNY Press, 1998.E. Kumar, Artificial Intelligence. I.K. International Publishing House Pvt. Limited, 2008.A. P. Engelbrecht, Computational Intelligence: An Introduction. Wiley, 2007.B. Kitchenham y S. Charters, “Guidelines for performing Systematic Literature Reviews in Software Engineering”, Keele University and Durham University Joint Report, UK, EBSE 2007-001, 2007.K. Petersen, R. Feldt, S. Mujtaba, y M. Mattsson, “Systematic Mapping Studies in Software Engineering”, en Proceedings of the 12th International Conference on Evaluation and Assessment in Software Engineering, Swinton, UK, UK, 2008, pp. 68–77.J. M. Pérez, Inteligencia computacional inspirada en la vida. Servicio de Publicaciones e Intercambio Científico de la Universidad de Málaga, 2010.J. Grbović y S. Džeroski, “Knowledge discovery in a water quality database”, Proc 1st Intl Conf Knowl. Discov. Data Min. KDD95 AAAI Press Menlo Park CA 1995.S. Džeroski, D. Demšar, y J. Grbović, “Predicting Chemical Parameters of River Water Quality from Bioindicator Data”, Appl. Intell., vol. 13, n.° 1, pp. 7–17, jul. 2000.L. Breiman, Classification and regression trees. Chapman & Hall, 1984.H. Blockeel, S. Dzeroski, y J. Grbovic, Simultaneous prediction of multiple chemical parameters of river water quality with TILDE. 1999.T. G. Dietterich, “Ensemble Methods in Machine Learning”, en Multiple Classifier Systems, Springer Berlin Heidelberg, 2000, pp. 1-15.I. Partalas, G. Tsoumakas, E. V. Hatzikos, y I. Vlahavas, “Greedy regression ensemble selection: Theory and an application to water quality prediction”, Inf. Sci., vol. 178, n.° 20, pp. 3867-3879, oct. 2008.G. Tan, J. Yan, C. Gao, y S. Yang, “Prediction of water quality time series data based on least squares support vector machine”, Procedia Eng., vol. 31, pp. 1194-1199, 2012.K. Gurney, An Introduction to Neural Networks. Taylor & Francis, 2003.D. E. Goldberg, Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley, 1989.E. Cox, The Fuzzy Systems Handbook: A Practitioner’s Guide to Building, Using, and Maintaining Fuzzy Systems. San Diego, CA, USA: Academic Press Professional, Inc., 1994.C. E. Romero y J. Shan, “Development of an Artificial Neural Network-based Software for Prediction of Power Plant Canal Water Discharge Temperature”, Expert Syst Appl, vol. 29, n.° 4, pp. 831–838, nov. 2005.J. Gutiérrez, W. Riss, y R. Ospina, “Bioindicación de la calidad del agua con macroinvertebrados acuáticos en la sabana de Bogotá, utilizando redes neuronales artificiales”, Caldasia, vol. 26, n.° 1, pp. 151-160, 2004.I. García, J. G. Rodríguez, F. López, y Y. M. Tenorio, “Transporte de contaminantes en aguas subterráneas mediante redes neuronales artificiales”, Inf. Tecnológica, vol. 21, n.° 5, pp. 79-86, 2010.A. I. Saint-Gerons y J. M. Adrados, “Desarrollo de una red neuronal para estimar el oxígeno disuelto en el agua a partir de instrumentación de EDAR”.A. Ogata y R. B. Banks, “A solution of the differential equation of longitudinal dispersion in porous media”, 1961.G. J. Pelletier, S. C. Chapra, y H. Tao, “QUAL2Kw – A framework for modeling water quality in streams and rivers using a genetic algorithm for calibration”, Environ. Model. Softw., vol. 21, n.° 3, pp. 419-425, mar. 2006.S. Liu, D. Butler, R. Brazier, L. Heathwaite, y S.-T. Khu, “Using genetic algorithms to calibrate a water quality model”, Sci. Total Environ., vol. 374, n.° 2-3, pp. 260-272, mar. 2007.Y. Huang y L. Liu, “Multiobjective Water Quality Model Calibration Using a Hybrid Genetic Algorithm and Neural Network–Based Approach”, J. Environ. Eng., vol. 136, n.° 10, pp. 1020-1031, 2010.K. Chau, “A Split-Step PSO Algorithm in Prediction of Water Quality Pollution”, en Advances in Neural Networks – ISNN 2005, J. Wang, X.-F. Liao, y Z. Yi, Eds. Springer Berlin Heidelberg, 2005, pp. 1034-1039.A. M. Baltar y D. G. Fontane, “A generalized multiobjective particle swarm optimization solver for spreadsheet models: application to water quality”, Proc. Twenty Sixth Annu. Am. Geophys. Union Hydrol. Days, pp. 20-22, 2006.A. Afshar, H. Kazemi, y M. Saadatpour, “Particle Swarm Optimization for Automatic Calibration of Large Scale Water Quality Model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran”, Water Resour. Manag., vol. 25, n.° 10, pp. 2613-2632, ago. 2011.J. Zhangzan, X. Gang, C. Jiujun, y G. Fei, “Anomaly detection of water quality based on visual perception and V-detector”, Inf. Control, vol. 1, p. 026, 2011.S. Liu, H. Tai, Q. Ding, D. Li, L. Xu, y Y. Wei, “A hybrid approach of support vector regression with genetic algorithm optimization for aquaculture water quality prediction”, Math. Comput. Model., vol. 58, n.° 3-4, pp. 458-465, ago. 2013.S. Liu, L. Xu, D. Li, Q. Li, Y. Jiang, H. Tai, y L. Zeng, “Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization”, Comput. Electron. Agric., vol. 95, pp. 82-91, jul. 2013.D. Ömer Faruk, “A hybrid neural network and ARIMA model for water quality time series prediction”, Eng. Appl. Artif. Intell., vol. 23, n.° 4, pp. 586-594, jun. 2010.L. A. Díaz-Robles, J. C. Ortega, J. S. Fu, G. D. Reed, J. C. Chow, J. G. Watson, y J. A. Moncada-Herrera, “A hybrid ARIMA and artificial neural networks model to forecast particulate matter in urban areas: The case of Temuco, Chile”, Atmos. Environ., vol. 42, n.° 35, pp. 8331-8340, nov. 2008.Revista Ingenierías Universidad de Medellínhttp://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalhttp://purl.org/coar/access_right/c_abf2Revista Ingenierías Universidad de Medellín; Vol. 15, núm. 28 (2016)2248-40941692-3324Water qualityComputational intelligenceForecastingComplex adaptive systemsCalidad del aguaInteligencia computacionalPredicciónSistemas adaptativos complejosUn mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacionalA systematic mapping of water quality prediction using computational intelligence techniquesArticlehttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1Artículo científicoinfo:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85Comunidad Universidad de MedellínLat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degreesLong: 075 36 00 W degrees minutes Long: -75.6000 decimal degreesTHUMBNAILRevista_Ingenierias_UdeM_272.pdf.jpgRevista_Ingenierias_UdeM_272.pdf.jpgIM Thumbnailimage/jpeg7862http://repository.udem.edu.co/bitstream/11407/3558/3/Revista_Ingenierias_UdeM_272.pdf.jpg7b2f775e42b9750591c8b1558a279beeMD53ORIGINALArticulo.htmltext/html497http://repository.udem.edu.co/bitstream/11407/3558/1/Articulo.html23f8e83364f831bb226ccabb9cda6c29MD51Revista_Ingenierias_UdeM_272.pdfRevista_Ingenierias_UdeM_272.pdfapplication/pdf877372http://repository.udem.edu.co/bitstream/11407/3558/2/Revista_Ingenierias_UdeM_272.pdf66e5ac0c713dcad311e4d77c25504cf7MD5211407/3558oai:repository.udem.edu.co:11407/35582021-05-14 14:28:43.286Repositorio Institucional Universidad de Medellinrepositorio@udem.edu.co

Un mapeo sistemático sobre predicción de calidad del agua mediante técnicas de inteligencia computacional

Publicaciones similares