Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.

La contaminación atmosférica representa graves impactos sobre la salud de la población; particularmente la exposición a altas concentraciones de ozono troposférico puede provocar problemas respiratorios y cardiovasculares, es por esto que un sistema eficiente de seguimiento y monitoreo de la calidad del aire es de gran beneficio para la salud humana y el control de la contaminación atmosférica. En esta investigación, se aborda el pronóstico de la calidad del aire mediante la aplicación de modelos de aprendizaje de maquina e imágenes digitales en función del índice de calidad del aire (ICA) para el contaminante O3, haciendo uso de la técnica de redes neuronales convolucionales, bajo una arquitectura de modelado VGG16. Para evaluar el método propuesto, se creó un conjunto de datos que contiene un total de 366 imágenes, registradas a las 07:00 y 12:00 horas del día, en dirección de cuatro localidades de la ciudad de Bogotá, durante un periodo de tiempo establecido de marzo a octubre del año 2021.El conjunto de imágenes fue clasificado frente a los datos recopilados de las estaciones de monitoreo de: Las Ferias, Puente Aranda, Centro de Alto Rendimiento y Fontibón. El entrenamiento y validación del modelo se ejecutó a 50 épocas y un tamaño de lote de 64 muestras. El modelo identifico tres categorías del índice de calidad del aire (ICA); buena, aceptable y dañina a la salud de grupos sensibles. Los resultados de las métricas de rendimiento del modelo para estas categorías reflejan en términos de accuracy (70%), (50%) y (46%) respectivamente, sin embargo, se establece, que se puede mejorar dicho rendimiento aplicando estrategias de sobre muestreo y refinamiento de algoritmos. El modelo propuesto es válido contrastado a lo identificado en la literatura y puede ser una herramienta prometedora para la clasificación de imágenes digitales.

• Autores: García Rojas, Raúl Andrés
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2022
• Institución: Universidad Santo Tomás
• Repositorio: Repositorio Institucional USTA
• Idioma: spa
• OAI Identifier: oai:repository.usta.edu.co:11634/46051
• Acceso en línea: http://hdl.handle.net/11634/46051
• Palabra clave: machine learning; convolutional neural networks; tropospheric ozone; Ingeniería Ambiental; Ingeniería; Aire -- Calidad; Ozono troposférico; Aprendizaje automático; redes neuronales convolucionales
• Rights: openAccess
• License: Atribución-NoComercial-SinDerivadas 2.5 Colombia