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...

Full description

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

id	SANTTOMAS2_e28b1dd4cbd74268ae95e37dfb7d410b
oai_identifier_str	oai:repository.usta.edu.co:11634/46051
network_acronym_str	SANTTOMAS2
network_name_str	Repositorio Institucional USTA
repository_id_str
dc.title.spa.fl_str_mv	Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.
title	Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.
spellingShingle	Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire. machine learning convolutional neural networks tropospheric ozone Ingeniería Ambiental Ingeniería Aire -- Calidad Ozono troposférico Aprendizaje automático redes neuronales convolucionales
title_short	Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.
title_full	Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.
title_fullStr	Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.
title_full_unstemmed	Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.
title_sort	Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.
dc.creator.fl_str_mv	García Rojas, Raúl Andrés
dc.contributor.advisor.none.fl_str_mv	Molina Gómez, Nidia Isabel Calderón Rivera, Dayam
dc.contributor.author.none.fl_str_mv	García Rojas, Raúl Andrés
dc.contributor.orcid.spa.fl_str_mv	https://orcid.org/ 0000-0002-7604-0581
dc.contributor.corporatename.spa.fl_str_mv	Universidad Santo Tomás
dc.subject.keyword.spa.fl_str_mv	machine learning convolutional neural networks tropospheric ozone
topic	machine learning convolutional neural networks tropospheric ozone Ingeniería Ambiental Ingeniería Aire -- Calidad Ozono troposférico Aprendizaje automático redes neuronales convolucionales
dc.subject.lemb.spa.fl_str_mv	Ingeniería Ambiental Ingeniería Aire -- Calidad
dc.subject.proposal.spa.fl_str_mv	Ozono troposférico Aprendizaje automático redes neuronales convolucionales
description	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.
publishDate	2022
dc.date.accessioned.none.fl_str_mv	2022-07-25T16:34:12Z
dc.date.available.none.fl_str_mv	2022-07-25T16:34:12Z
dc.date.issued.none.fl_str_mv	2022-07-03
dc.type.local.spa.fl_str_mv	Trabajo de Grado
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.drive.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.citation.spa.fl_str_mv	García Rojas, R. A. y Calderón Rivera, D. (2022). Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire. [Trabajo de grado, Universidad Santo Tomás]. Repositorio institucional.
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/11634/46051
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad Santo Tomás
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Santo Tomás
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.usta.edu.co
identifier_str_mv	García Rojas, R. A. y Calderón Rivera, D. (2022). Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire. [Trabajo de grado, Universidad Santo Tomás]. Repositorio institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co
url	http://hdl.handle.net/11634/46051
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	Lundh , F., & Clark, A. (9 de Abril de 2022). Pillow (PIL Fork). Obtenido de https://pillow.readthedocs.io/en/stable/ Makarova , A., Evstafeva, E., Lapchenco, V., & Varbanov, P. (2021). Modelling tropospheric ozone variations using artificial neural networks: A case study on the Black Sea coast (Russian Federation). Cleaner Engineering and Technology, 5. Martínez Perez, E. M., & López de Jiménez, R. E. (2020). Sistema telemático de monitoreo de calidad del aire en zonas remotas : desarrollo de una plataforma para el análisis de datos y generación de modelos por medio de técnicas de Big Data y Machine Learning. San Salvador. Maxwell, A., & Warner, T. (2018). Implementation of machine-learning classification in remote sensing: an applied review. International Journal of Remote Sensing, 39(9), 2784-2817. Ministerio de Ambiente y Desarrollo Sostenible . (2019). Estrategia BNacional de Calidad del Aire . Bogotá: Ministerio de Ambiente y Desarrollo Sostenible. Mitchell, T. (1997). Machine Learning . Nueva York : McGraw-Hill. Molina Gómez, N. I. (2021). Incidencia de la calidad el aire en el desarrollo urbano sostenible. Metodología de pronóstico basado en herramientas de aprendizaje automático. Bogotá . Nadi , J., Ducatelle, F., Di Caro , G., & Ciresan , D. (2011). Max-pooling convolutional neural networks for vision-based hand gesture recognition. 2011 IEEE International Conference on Signal and Image Processing Applications (ICSIPA). Kuala Lumpur. Nain, A., Paul, S., & Maynard-Reid, M. (19 de 4 de 2022). Keras. Obtenido de https://keras.io/api/optimizers/adam/ Nash , W., Drumond , T., & Birbilis, N. (2018). A review of deep learning in the study of materials degradation. npj Materials Degradation, 2(37), 1-12. Nawaz, S., Ramiah Pilai, T., Kaur , S., & Sukumaran , S. (2019). Accuracy Comparison of Machine Learning Algorithms for Predictive Analytics in Higher Education. Emerging Technologies in Computing, 254-261. Nwankpa, C., Ijomah , W., & Gachagan, A. (2020). Activation Functions: Comparison of Trends in Practice and Research for Deep Learning. 2nd International Conference on Computational Sciences and Technologies. Jamshoro. Park , C., Cheong Took , C., & Seong , J. K. (2018). Machine learning in biomedical engineering. Biomedical Engineering Letters volume, 1-3. Pedroza Camelo , J. C. (2018). Prototipo de un modelo de machine learning para la predicción de partículas de contaminación atmosférica. Bogotá . Peng, L., Zhang, H., Yang , B., & Chen , Y. (2014). A new approach for imbalanced data classification based on data gravitation. Information Sciences: an International Journal, 347-373. Perez Carrasco , J. A. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python. Sevilla : Escuela Técnica Superior de Ingeniería . Piuri , V., Raj, S., Genovese, A., & Srivastava, R. (2020). Trends in Deep Learning Methodologies Algorithms, Applications, and Systems. Academic Press. Programa de las Naciones Unidas para el Medio Ambiente PNUMA. (1994). Manuales de Metodología de GEMS/Aire. Volumen 1. Aseguramiento de la calidad en el monitoreo de la calidad del aire urbano. Nairobi . Python Software Foundation . (10 de Abril de 2022). Python TM. Obtenido de https://docs.python.org/es/3.10/library/os.html Red de Monitoreo de Calidad del Aire de Bogotá . (2018). Informe Anual de Calidad del Aire Bogotá Año 2018. Bogotá: Alcaldia Mayor De Bogotá . Red de monitoreo de Calidad del aire de Bogotá - RMCAB . (2020). Informe Anual de Calidad del Aire de Bogotá Año 2020. Bogotá: Alcaldia Mayor de Bogotá . Reichstein, M., Camps Valls, G., Stevens , B., Jung , M., & Denzler, J. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 195-204. Rosales, J. C., Torres Meza, V., & Olaiz Fernandez, G. (2001). Los efectos agudos de la contaminación. Salud Publica de Mexico del aire en la salud de la población: evidencias de estudios epidemiológicos, 43, 544-555. Saleem, T., & Chishti, M. (2021). Deep learning for the internet of things: Potential benefits and use-cases. Digital Communications and Networks, 7(4), 526-542. scikit-learn developers. (18 de 4 de 2022). Scikitlearn . Obtenido de http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html scikit-learn developers. (18 de 4 de 2022). Scikitlearn . Obtenido de http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.html Scikit-learn developers. (13 de Abril de 2022). Scikit-learn Machine Learning in Python. Obtenido de https://scikit-learn.org/stable/ Secretaria de ambiente Bogotá . (s.f.). Red de Monitoreo de Calidad del Aire de Bogotá RMCAB. (Alcaldia mayor de Bogotá) Recuperado el 31 de Octubre de 2021, de http://rmcab.ambientebogota.gov.co/Report/stationreport Secretaria Distrital de Ambiente. (2019). Informe de calidad del aire Bogotá. Secretaría Distrital De Ambiente. (2020). Informe Anual de Calidad del Aire de Bogotá Año 2020. Bogotá: Alcaldia Mayor de Bogotá. Secretaria Distrital de Ambiente. (2020). Inventario de emisiones de Bogotá, Contaminantes atmosféricos. Bogotá: Alcaldia Mayor de Bogotá. Sharma, N., Jain , V., & Mishra, A. (2018). An Analysis Of Convolutional Neural Networks For Image Classification. Procedia Computer Science, 377-384. Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale imagerecognition. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. San Diego. Sistema Nacional Ambiental – SINA. (2015). Informe Ambiental del Estado del Medio Ambiente . Bogotá : SINA. Suk Suh, K., Min, B.-I., Yang , B.-M., Kim, S., & Park, K. (2022). Machine learning method using camera image patterns for predictions of particulate matter concentrations. Atmospheric Pollution Research, 1-7. Vakili, M., Ghamsari, M., & Rezaei, M. (27 de Enero de 2020). Performance Analysis and Comparison of Machine and Deep Learning Algorithms for IoT Data Classification. Recuperado el 30 de Marzo de 2022, de https://arxiv.org/ftp/arxiv/papers/2001/2001.09636.pdf Veeduría Distrital . (2021). La calidad del aire en Bogotá: Seguimiento a las metas del Plan Distrital de Desarrollo 2020 - 2024 Sobre Reducción del Material Particulado . Bogotá : Veeduría Distrital . Veeduría Distrital . (2021). La calidad del aire en Bogotá: Seguimiento a las metas del Plan Distrital de Desarrollo 2020 - 2024 Sobre Reducción del Material Particulado . Bogotá : Veeduría Distrital . Warneck, P. (1988). Chemistry of the Natural Atmosphere. San Diego : International Geophysics. Yamashita , R., Nishio, M., Kinh Gian DO , R., & Togashi , K. (2018). Convolutional neural networks: an overview and application in radiology. Insights into Imaging, 9, 611-629. Zang , Y., Bocquet, M., Mallet, V., Seigneur, C., & Baklanov , A. (2012). Real-time air quality forecasting, part I: History, techniques, and current status. Atmospheric Environment, 60, 632-655. Zhou, Y., Liu , Y., Tang , C., & Wen, S. (2014). A Strategy on Selecting Performance Metrics for Classifier Evaluation. International Journal of Mobile Computing and Multimedia Communications , 6(4), 20-35. Abdul-Wahab, S., & Al-Alawi, S. (2002). Assessment and prediction of tropospheric ozone concentrationlevels using artificial neural networks. Environmental Modelling & Software, 17, 219-228 Abella Mivaret , B. (2021). Mejora de las predicciones en muestras desbalanceadas . Madrid : UAM. Afaq, S., & Rao, S. (2020). Significance Of Epochs On Training A Neural Network. International journal of scientific & technology research, 485-488. Alcaldia Local de Barrios Unidos . (2017). Plan Ambiental Local 2017- 020. Bogotá Alcaldia local de Engativá . (2016). Diagnostico ambiental de la localidad de Engativá . Bogotá : Alcaldia Mayor de Bogotá. Alcaldía Local de Fontibón. (2012). Plan ambiental local de Fontibón. Bogotá: Alcaldia Mayor de Bogotá. Alcaldia local de Puete Aranda . (2017). Plan ambiental local Puente Aranda 2017-2020. Bogotá: Alcaldia Mayor de Bogotá Alcaldía Mayor de Bogotá. (2020). Diagnostico local puente aranda. Bogotá: Alcaldia Mayor de Bogotá. Alcaldía Mayor de Bogotá. (25 de 2 de 2021). Bogotá Mi Ciudad. Obtenido de https://bogota.gov.co/miciudad/movilidad/sitp/buses-electricos-del-sitp-0 Alcaldía Mayor de Bogotá. (2021). Por medio del cual se adoptan medidas adicionales para mitigar el riesgo de contagio por Sars-Cov2 COVID-19 en los habitantes de la ciudad de Bogota D.C. y se dictan otras disposiciones. Bogotá Alcaldía Mayor de Bogotá. (17 de 4 de 2022). Régimen Legal de Bogotá D.C. Obtenido de https://www.alcaldiabogota.gov.co/sisjur/normas/Norma1.jsp?i=104145 Baena Salazar, D., Jiménez, J., Zapata, C., & Ramírez Cardona, Á. (2019). Red Neuronal Artificial aplicado para el pronóstico de eventos críticos de PM2.5 en el Valle de Aburra. DYNA, 86(209), 347–356. Bekkar, M., Kheliouane Djemaa, H., & Alitouche, T. (2013). Evaluation Measures for Models Assessment over Imbalanced Datasets. Journal of Information Engineering and Applications, 27-33. Belán , B. (2010). Ozono en la troposfera. Tomsk : Editorial del Instituto de Óptica Atmosférica SB RAS. Brownlee, J. (28 de 04 de 2022). https://machinelearningmastery.com/smote-oversampling-for-imbalancedclassification/. Obtenido de Machine Learning Mastery : https://machinelearningmastery.com/smoteoversampling-for-imbalanced-classification/ Cano Ramirez, F., & Cruz Roa , A. (2018). Entrenamiento de una Red Neuronal Convolucional con Jupyter y TensorFlow para la clasificación de tejido invasivo de cáncer de seno. II Congreso Internacional de Ciencias Básicas e Ingeniería - CICI 2018. Villavicencio. Centro de Investigaciones, Energéticas Medioambientales y Tecnológicas CIEMAT. (2009). El ozono troposférico y sus efectos en la vegetación. Madrid: MARM. Chakma, A., Vizena , B., Cao , T., & Lin, J. (2017). 2017 IEEE International Conference on Image Processing (ICIP). Image-based air quality analysis using deep convolutional neural network (págs. 3949-3952). Beijing: IEEE. Cogua Morena , M. (2013). Dinámica de la construcción por usos Localidad Fontibón 2002 - 2012. Bogotá: Observatorio Técnico Catastral. Collazo, A., Morales, R., & Morales, L. (2012). Análisis de la contaminación transfronteriza y local de los compuestos gaseosos precursores de la deposición ácida húmeda y formación de ozono en Cuba. Revista Cubana de Meterología, 17-30. Delgado Saborit , J. M. (2005). Validación e implementación de técnicas de captación pasiva para el estudio de los niveles y efectos de ozono troposférico y dióxido de nitrógeno en un área costera mediterránea. Castellón : Universitat Jaume I. Dissanayake, M., Nguyen, H., Poologanathana, K., & Perampalama, G. (2022). Prediction of shear capacity of steel channel sections using machine learning algorithms. Thin-Walled Structures, 175, 109-152 Doherty , R., Heal , M., & O´Connor , F. (2017). Climate change impacts on human health over Europe through its effect on air quality. Environmental Health, 16(118), 33-34. Huerta Mora , E., Gonzales Huitron , V. A., & Rodriguez Mata , A. E. (2020). Detección de enfermedades foliares con arquitecturas de redes neuronales convolucionales. Revista Internacional De Desarrollo Regional Sustentable, 5, 5-18. Hunter, J., Dale, D., Firing , E., & Droettboom , M. (12 de Abril de 2022). Matplotlib. Obtenido de https://matplotlib.org/ Instituto de Hidrología, Meteorología y Estudios Ambientales - IDEAM. (2019). El ozono. Bogotá. Instituto de Hidrología, Meteorología y Estudios Ambientales IDEAM. (2021). Índice de Calidad del Aire (ICA) (Hoja metodológica versión 1,1). Bogotá: IDEAM. Isra , M., Hashmi, S., Rahman, G., Ahmad, S., & Ali, S. (2015). Devastating Flood of 2010, Effect on Potabile Water Supply in Rural Swat. American Journal of Water Resources, 118-123. Jacob, D. (2000). Heterogeneous chemistry and tropospheric ozone. Atmospheric Environment, 34(12), 2131- 2159. Jin, X., Xiao, F., Zhang, C., & Li, A. (2022). GEIN: An interpretable benchmarking framework towards all building types based on machine learning. Energy and Buildings, 260. Juba , B., & LE, H. (2017). Precision-Recall versus Accuracy and the Role of Large Data Sets. Computer Science Junior , A., Sperandio Nascimento , E., & Martins Moreira , D. (2020). Assessing recurrent and convolutional neural networks for tropospheric ozone forecasting in the region of vitória, brazil. Air and Water Pollution, 244, 101-112. Karayev , S., Trentacoste , M., Han , H., Argawala, A., & Darrell, T. (2013). Recognizing Image Style. arXiv, 1- 20. Kingma, D., & Lei Ba, J. (2017). Adam: a method for stochastic optimization. ICLR 2015. San Diego . Kow, P., Chang , L., & Chang , F. (2020). Image Regression Classification of Air Quality by Convolutional Neural Network. EGU General Assembly .
dc.rights.*.fl_str_mv	Atribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv	Abierto (Texto Completo)
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-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	application/pdf
dc.coverage.campus.spa.fl_str_mv	CRAI-USTA Bogotá
dc.publisher.spa.fl_str_mv	Universidad Santo Tomás
dc.publisher.program.spa.fl_str_mv	Pregrado de Ingeniería Ambiental
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería Ambiental
institution	Universidad Santo Tomás
bitstream.url.fl_str_mv	https://repository.usta.edu.co/bitstream/11634/46051/1/2022raulgarcia.pdf https://repository.usta.edu.co/bitstream/11634/46051/2/Carta_aprobacion_facultad_2021%20-%20GARCIA%20ROJAS%20RAUL%20ANDRES.pdf https://repository.usta.edu.co/bitstream/11634/46051/3/Carta-autorizacio%cc%81n-autoarchivo-autor-2021.pdf https://repository.usta.edu.co/bitstream/11634/46051/4/license_rdf https://repository.usta.edu.co/bitstream/11634/46051/5/license.txt https://repository.usta.edu.co/bitstream/11634/46051/6/2022raulgarcia.pdf.jpg https://repository.usta.edu.co/bitstream/11634/46051/7/Carta_aprobacion_facultad_2021%20-%20GARCIA%20ROJAS%20RAUL%20ANDRES.pdf.jpg https://repository.usta.edu.co/bitstream/11634/46051/8/Carta-autorizacio%cc%81n-autoarchivo-autor-2021.pdf.jpg
bitstream.checksum.fl_str_mv	b0aaa424459e4078be92771f15577918 f774242bf696937bfa92c16e28237553 fa587ed524080529c5854d09a151f81f 217700a34da79ed616c2feb68d4c5e06 aedeaf396fcd827b537c73d23464fc27 b57405226f1b33b56dca49f1ae2fdb2e 990027f43adfc2864ed7cd8188bb1155 cf1de1c085398ee1ae3b35948dad4b67
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Universidad Santo Tomás
repository.mail.fl_str_mv	repositorio@usantotomas.edu.co
_version_	1782026352128425984
spelling	Molina Gómez, Nidia IsabelCalderón Rivera, DayamGarcía Rojas, Raúl Andréshttps://orcid.org/ 0000-0002-7604-0581Universidad Santo Tomás2022-07-25T16:34:12Z2022-07-25T16:34:12Z2022-07-03García Rojas, R. A. y Calderón Rivera, D. (2022). Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire. [Trabajo de grado, Universidad Santo Tomás]. Repositorio institucional.http://hdl.handle.net/11634/46051reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coLa 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.Air pollution represents serious impacts on the health of the population; particularly exposure to high concentrations of tropospheric ozone can cause respiratory and cardiovascular problems, which is why an efficient air quality monitoring system is of great benefit to human health and air pollution control. In this research, air quality forecasting is addressed through the application of machine learning models and digital images as a function of the air quality index (AQI) for the pollutant O3, making use of the convolutional neural network technique, under a VGG16 modeling architecture. To evaluate the proposed method, a dataset was created containing a total of 366 images, recorded at 07:00 and 12:00 hours of the day, in the direction of four localities of the city of Bogotá, during a period of time established from March to October 2021.The set of images was classified against the data collected from the monitoring stations of: Las Ferias, Puente Aranda, Centro de Alto Rendimiento and Fontibón. The training and validation of the model was run at 50 epochs and a batch size of 64 samples. The model identified three categories of air quality index (AQI); good, acceptable and harmful to the health of sensitive groups. The results of the model performance metrics for these categories reflect in terms of accuracy (70%), (50%) and (46%) respectively, however, it is established that the performance can be improved by applying strategies of oversampling and algorithm refinement. The proposed model is valid in contrast to what has been identified in the literature and can be a promising tool for digital image classification.Ingeniero AmbientalPregradoapplication/pdfspaUniversidad Santo TomásPregrado de Ingeniería AmbientalFacultad de Ingeniería AmbientalAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Aplicación de modelos de aprendizaje de máquina e imágenes digitales para el pronóstico de la calidad del aire.machine learningconvolutional neural networkstropospheric ozoneIngeniería AmbientalIngenieríaAire -- CalidadOzono troposféricoAprendizaje automáticoredes neuronales convolucionalesTrabajo de Gradoinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesisCRAI-USTA BogotáLundh , F., & Clark, A. (9 de Abril de 2022). Pillow (PIL Fork). Obtenido de https://pillow.readthedocs.io/en/stable/Makarova , A., Evstafeva, E., Lapchenco, V., & Varbanov, P. (2021). Modelling tropospheric ozone variations using artificial neural networks: A case study on the Black Sea coast (Russian Federation). Cleaner Engineering and Technology, 5.Martínez Perez, E. M., & López de Jiménez, R. E. (2020). Sistema telemático de monitoreo de calidad del aire en zonas remotas : desarrollo de una plataforma para el análisis de datos y generación de modelos por medio de técnicas de Big Data y Machine Learning. San Salvador.Maxwell, A., & Warner, T. (2018). Implementation of machine-learning classification in remote sensing: an applied review. International Journal of Remote Sensing, 39(9), 2784-2817.Ministerio de Ambiente y Desarrollo Sostenible . (2019). Estrategia BNacional de Calidad del Aire . Bogotá: Ministerio de Ambiente y Desarrollo Sostenible.Mitchell, T. (1997). Machine Learning . Nueva York : McGraw-Hill.Molina Gómez, N. I. (2021). Incidencia de la calidad el aire en el desarrollo urbano sostenible. Metodología de pronóstico basado en herramientas de aprendizaje automático. Bogotá .Nadi , J., Ducatelle, F., Di Caro , G., & Ciresan , D. (2011). Max-pooling convolutional neural networks for vision-based hand gesture recognition. 2011 IEEE International Conference on Signal and Image Processing Applications (ICSIPA). Kuala Lumpur.Nain, A., Paul, S., & Maynard-Reid, M. (19 de 4 de 2022). Keras. Obtenido de https://keras.io/api/optimizers/adam/Nash , W., Drumond , T., & Birbilis, N. (2018). A review of deep learning in the study of materials degradation. npj Materials Degradation, 2(37), 1-12.Nawaz, S., Ramiah Pilai, T., Kaur , S., & Sukumaran , S. (2019). Accuracy Comparison of Machine Learning Algorithms for Predictive Analytics in Higher Education. Emerging Technologies in Computing, 254-261.Nwankpa, C., Ijomah , W., & Gachagan, A. (2020). Activation Functions: Comparison of Trends in Practice and Research for Deep Learning. 2nd International Conference on Computational Sciences and Technologies. Jamshoro.Park , C., Cheong Took , C., & Seong , J. K. (2018). Machine learning in biomedical engineering. Biomedical Engineering Letters volume, 1-3.Pedroza Camelo , J. C. (2018). Prototipo de un modelo de machine learning para la predicción de partículas de contaminación atmosférica. Bogotá .Peng, L., Zhang, H., Yang , B., & Chen , Y. (2014). A new approach for imbalanced data classification based on data gravitation. Information Sciences: an International Journal, 347-373.Perez Carrasco , J. A. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python. Sevilla : Escuela Técnica Superior de Ingeniería .Piuri , V., Raj, S., Genovese, A., & Srivastava, R. (2020). Trends in Deep Learning Methodologies Algorithms, Applications, and Systems. Academic Press.Programa de las Naciones Unidas para el Medio Ambiente PNUMA. (1994). Manuales de Metodología de GEMS/Aire. Volumen 1. Aseguramiento de la calidad en el monitoreo de la calidad del aire urbano. Nairobi .Python Software Foundation . (10 de Abril de 2022). Python TM. Obtenido de https://docs.python.org/es/3.10/library/os.htmlRed de Monitoreo de Calidad del Aire de Bogotá . (2018). Informe Anual de Calidad del Aire Bogotá Año 2018. Bogotá: Alcaldia Mayor De Bogotá .Red de monitoreo de Calidad del aire de Bogotá - RMCAB . (2020). Informe Anual de Calidad del Aire de Bogotá Año 2020. Bogotá: Alcaldia Mayor de Bogotá .Reichstein, M., Camps Valls, G., Stevens , B., Jung , M., & Denzler, J. (2019). Deep learning and process understanding for data-driven Earth system science. Nature, 195-204.Rosales, J. C., Torres Meza, V., & Olaiz Fernandez, G. (2001). Los efectos agudos de la contaminación. Salud Publica de Mexico del aire en la salud de la población: evidencias de estudios epidemiológicos, 43, 544-555.Saleem, T., & Chishti, M. (2021). Deep learning for the internet of things: Potential benefits and use-cases. Digital Communications and Networks, 7(4), 526-542.scikit-learn developers. (18 de 4 de 2022). Scikitlearn . Obtenido de http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.htmlscikit-learn developers. (18 de 4 de 2022). Scikitlearn . Obtenido de http://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.OneHotEncoder.htmlScikit-learn developers. (13 de Abril de 2022). Scikit-learn Machine Learning in Python. Obtenido de https://scikit-learn.org/stable/Secretaria de ambiente Bogotá . (s.f.). Red de Monitoreo de Calidad del Aire de Bogotá RMCAB. (Alcaldia mayor de Bogotá) Recuperado el 31 de Octubre de 2021, de http://rmcab.ambientebogota.gov.co/Report/stationreportSecretaria Distrital de Ambiente. (2019). Informe de calidad del aire Bogotá.Secretaría Distrital De Ambiente. (2020). Informe Anual de Calidad del Aire de Bogotá Año 2020. Bogotá: Alcaldia Mayor de Bogotá.Secretaria Distrital de Ambiente. (2020). Inventario de emisiones de Bogotá, Contaminantes atmosféricos. Bogotá: Alcaldia Mayor de Bogotá.Sharma, N., Jain , V., & Mishra, A. (2018). An Analysis Of Convolutional Neural Networks For Image Classification. Procedia Computer Science, 377-384.Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale imagerecognition. 3rd International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings. San Diego.Sistema Nacional Ambiental – SINA. (2015). Informe Ambiental del Estado del Medio Ambiente . Bogotá : SINA.Suk Suh, K., Min, B.-I., Yang , B.-M., Kim, S., & Park, K. (2022). Machine learning method using camera image patterns for predictions of particulate matter concentrations. Atmospheric Pollution Research, 1-7.Vakili, M., Ghamsari, M., & Rezaei, M. (27 de Enero de 2020). Performance Analysis and Comparison of Machine and Deep Learning Algorithms for IoT Data Classification. Recuperado el 30 de Marzo de 2022, de https://arxiv.org/ftp/arxiv/papers/2001/2001.09636.pdfVeeduría Distrital . (2021). La calidad del aire en Bogotá: Seguimiento a las metas del Plan Distrital de Desarrollo 2020 - 2024 Sobre Reducción del Material Particulado . Bogotá : Veeduría Distrital .Veeduría Distrital . (2021). La calidad del aire en Bogotá: Seguimiento a las metas del Plan Distrital de Desarrollo 2020 - 2024 Sobre Reducción del Material Particulado . Bogotá : Veeduría Distrital .Warneck, P. (1988). Chemistry of the Natural Atmosphere. San Diego : International Geophysics.Yamashita , R., Nishio, M., Kinh Gian DO , R., & Togashi , K. (2018). Convolutional neural networks: an overview and application in radiology. Insights into Imaging, 9, 611-629.Zang , Y., Bocquet, M., Mallet, V., Seigneur, C., & Baklanov , A. (2012). Real-time air quality forecasting, part I: History, techniques, and current status. Atmospheric Environment, 60, 632-655.Zhou, Y., Liu , Y., Tang , C., & Wen, S. (2014). A Strategy on Selecting Performance Metrics for Classifier Evaluation. International Journal of Mobile Computing and Multimedia Communications , 6(4), 20-35.Abdul-Wahab, S., & Al-Alawi, S. (2002). Assessment and prediction of tropospheric ozone concentrationlevels using artificial neural networks. Environmental Modelling & Software, 17, 219-228Abella Mivaret , B. (2021). Mejora de las predicciones en muestras desbalanceadas . Madrid : UAM.Afaq, S., & Rao, S. (2020). Significance Of Epochs On Training A Neural Network. International journal of scientific & technology research, 485-488.Alcaldia Local de Barrios Unidos . (2017). Plan Ambiental Local 2017- 020. BogotáAlcaldia local de Engativá . (2016). Diagnostico ambiental de la localidad de Engativá . Bogotá : Alcaldia Mayor de Bogotá.Alcaldía Local de Fontibón. (2012). Plan ambiental local de Fontibón. Bogotá: Alcaldia Mayor de Bogotá.Alcaldia local de Puete Aranda . (2017). Plan ambiental local Puente Aranda 2017-2020. Bogotá: Alcaldia Mayor de BogotáAlcaldía Mayor de Bogotá. (2020). Diagnostico local puente aranda. Bogotá: Alcaldia Mayor de Bogotá.Alcaldía Mayor de Bogotá. (25 de 2 de 2021). Bogotá Mi Ciudad. Obtenido de https://bogota.gov.co/miciudad/movilidad/sitp/buses-electricos-del-sitp-0Alcaldía Mayor de Bogotá. (2021). Por medio del cual se adoptan medidas adicionales para mitigar el riesgo de contagio por Sars-Cov2 COVID-19 en los habitantes de la ciudad de Bogota D.C. y se dictan otras disposiciones. BogotáAlcaldía Mayor de Bogotá. (17 de 4 de 2022). Régimen Legal de Bogotá D.C. Obtenido de https://www.alcaldiabogota.gov.co/sisjur/normas/Norma1.jsp?i=104145Baena Salazar, D., Jiménez, J., Zapata, C., & Ramírez Cardona, Á. (2019). Red Neuronal Artificial aplicado para el pronóstico de eventos críticos de PM2.5 en el Valle de Aburra. DYNA, 86(209), 347–356.Bekkar, M., Kheliouane Djemaa, H., & Alitouche, T. (2013). Evaluation Measures for Models Assessment over Imbalanced Datasets. Journal of Information Engineering and Applications, 27-33.Belán , B. (2010). Ozono en la troposfera. Tomsk : Editorial del Instituto de Óptica Atmosférica SB RAS.Brownlee, J. (28 de 04 de 2022). https://machinelearningmastery.com/smote-oversampling-for-imbalancedclassification/. Obtenido de Machine Learning Mastery : https://machinelearningmastery.com/smoteoversampling-for-imbalanced-classification/Cano Ramirez, F., & Cruz Roa , A. (2018). Entrenamiento de una Red Neuronal Convolucional con Jupyter y TensorFlow para la clasificación de tejido invasivo de cáncer de seno. II Congreso Internacional de Ciencias Básicas e Ingeniería - CICI 2018. Villavicencio.Centro de Investigaciones, Energéticas Medioambientales y Tecnológicas CIEMAT. (2009). El ozono troposférico y sus efectos en la vegetación. Madrid: MARM.Chakma, A., Vizena , B., Cao , T., & Lin, J. (2017). 2017 IEEE International Conference on Image Processing (ICIP). Image-based air quality analysis using deep convolutional neural network (págs. 3949-3952). Beijing: IEEE.Cogua Morena , M. (2013). Dinámica de la construcción por usos Localidad Fontibón 2002 - 2012. Bogotá: Observatorio Técnico Catastral.Collazo, A., Morales, R., & Morales, L. (2012). Análisis de la contaminación transfronteriza y local de los compuestos gaseosos precursores de la deposición ácida húmeda y formación de ozono en Cuba. Revista Cubana de Meterología, 17-30.Delgado Saborit , J. M. (2005). Validación e implementación de técnicas de captación pasiva para el estudio de los niveles y efectos de ozono troposférico y dióxido de nitrógeno en un área costera mediterránea. Castellón : Universitat Jaume I.Dissanayake, M., Nguyen, H., Poologanathana, K., & Perampalama, G. (2022). Prediction of shear capacity of steel channel sections using machine learning algorithms. Thin-Walled Structures, 175, 109-152Doherty , R., Heal , M., & O´Connor , F. (2017). Climate change impacts on human health over Europe through its effect on air quality. Environmental Health, 16(118), 33-34.Huerta Mora , E., Gonzales Huitron , V. A., & Rodriguez Mata , A. E. (2020). Detección de enfermedades foliares con arquitecturas de redes neuronales convolucionales. Revista Internacional De Desarrollo Regional Sustentable, 5, 5-18.Hunter, J., Dale, D., Firing , E., & Droettboom , M. (12 de Abril de 2022). Matplotlib. Obtenido de https://matplotlib.org/Instituto de Hidrología, Meteorología y Estudios Ambientales - IDEAM. (2019). El ozono. Bogotá.Instituto de Hidrología, Meteorología y Estudios Ambientales IDEAM. (2021). Índice de Calidad del Aire (ICA) (Hoja metodológica versión 1,1). Bogotá: IDEAM.Isra , M., Hashmi, S., Rahman, G., Ahmad, S., & Ali, S. (2015). Devastating Flood of 2010, Effect on Potabile Water Supply in Rural Swat. American Journal of Water Resources, 118-123.Jacob, D. (2000). Heterogeneous chemistry and tropospheric ozone. Atmospheric Environment, 34(12), 2131- 2159.Jin, X., Xiao, F., Zhang, C., & Li, A. (2022). GEIN: An interpretable benchmarking framework towards all building types based on machine learning. Energy and Buildings, 260.Juba , B., & LE, H. (2017). Precision-Recall versus Accuracy and the Role of Large Data Sets. Computer ScienceJunior , A., Sperandio Nascimento , E., & Martins Moreira , D. (2020). Assessing recurrent and convolutional neural networks for tropospheric ozone forecasting in the region of vitória, brazil. Air and Water Pollution, 244, 101-112.Karayev , S., Trentacoste , M., Han , H., Argawala, A., & Darrell, T. (2013). Recognizing Image Style. arXiv, 1- 20.Kingma, D., & Lei Ba, J. (2017). Adam: a method for stochastic optimization. ICLR 2015. San Diego .Kow, P., Chang , L., & Chang , F. (2020). Image Regression Classification of Air Quality by Convolutional Neural Network. EGU General Assembly .ORIGINAL2022raulgarcia.pdf2022raulgarcia.pdfTrabajo de gradoapplication/pdf1324746https://repository.usta.edu.co/bitstream/11634/46051/1/2022raulgarcia.pdfb0aaa424459e4078be92771f15577918MD51open accessCarta_aprobacion_facultad_2021 - GARCIA ROJAS RAUL ANDRES.pdfCarta_aprobacion_facultad_2021 - GARCIA ROJAS RAUL ANDRES.pdfCarta Aprobación Facultadapplication/pdf842692https://repository.usta.edu.co/bitstream/11634/46051/2/Carta_aprobacion_facultad_2021%20-%20GARCIA%20ROJAS%20RAUL%20ANDRES.pdff774242bf696937bfa92c16e28237553MD52metadata only accessCarta-autorización-autoarchivo-autor-2021.pdfCarta-autorización-autoarchivo-autor-2021.pdfCarta Derechos de Autorapplication/pdf373297https://repository.usta.edu.co/bitstream/11634/46051/3/Carta-autorizacio%cc%81n-autoarchivo-autor-2021.pdffa587ed524080529c5854d09a151f81fMD53metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/46051/4/license_rdf217700a34da79ed616c2feb68d4c5e06MD54open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/46051/5/license.txtaedeaf396fcd827b537c73d23464fc27MD55open accessTHUMBNAIL2022raulgarcia.pdf.jpg2022raulgarcia.pdf.jpgIM Thumbnailimage/jpeg7755https://repository.usta.edu.co/bitstream/11634/46051/6/2022raulgarcia.pdf.jpgb57405226f1b33b56dca49f1ae2fdb2eMD56open accessCarta_aprobacion_facultad_2021 - GARCIA ROJAS RAUL ANDRES.pdf.jpgCarta_aprobacion_facultad_2021 - GARCIA ROJAS RAUL ANDRES.pdf.jpgIM Thumbnailimage/jpeg6557https://repository.usta.edu.co/bitstream/11634/46051/7/Carta_aprobacion_facultad_2021%20-%20GARCIA%20ROJAS%20RAUL%20ANDRES.pdf.jpg990027f43adfc2864ed7cd8188bb1155MD57open accessCarta-autorización-autoarchivo-autor-2021.pdf.jpgCarta-autorización-autoarchivo-autor-2021.pdf.jpgIM Thumbnailimage/jpeg8050https://repository.usta.edu.co/bitstream/11634/46051/8/Carta-autorizacio%cc%81n-autoarchivo-autor-2021.pdf.jpgcf1de1c085398ee1ae3b35948dad4b67MD58open access11634/46051oai:repository.usta.edu.co:11634/460512022-12-15 03:14:17.529metadata only accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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

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

Publicaciones similares