Beneficios de los modelos basados en algoritmos de machine learning para la predicción de concentraciones de PM2.5 en el Valle de Aburrá

RESUMEN: Esta monografía hace una revisión crítica de la utilización de algoritmos de machine learning para la predicción de concentraciones de contaminantes atmosféricos, identificando cuáles serían sus beneficios y limitaciones para la predicción de concentraciones de PM2.5 en el Valle de Aburrá. Se hace una revisión general de casos de estudio publicados en revistas indexadas desde el 2019 y el análisis de las condiciones particulares del Valle de Aburrá que inciden en las concentraciones de contaminantes atmosféricos. Se seleccionaron y analizaron algunos casos de estudio en los que se identificaron las principales características de desarrollo de los modelos como datos de entrada, tipo de algoritmo utilizado, métricas de desempeño y algoritmo de mejor desempeño. El análisis dio como resultado que los modelos desarrollados hasta la fecha permiten predecir concentraciones de contaminantes a un nivel que pueda ser útil para un sistema de alerta temprana, permitiendo también representar las condiciones de inmisión del Valle de Aburrá y sus particularidades topográficas, meteorológicas y de emisión que inciden en las concentraciones de PM2.5, e indican la presencia de fenómenos como picos abruptos de concentración. Sin embargo aún no se pudo identificar un algoritmo particular que tuviese un mejor desempeño para este tipo de aplicaciones, debido a que se suelen usar algoritmos específicos en cada caso de estudio, dificultando su reusabilidad y repetibilidad. También se estableció que el Valle de Aburrá cuenta con la información necesaria para construir los conjuntos de datos de entrenamiento para la implementación de modelos de machine learning para la predicción de las concentraciones de material particulado.

• Autores: Vásquez Arenas, Juan Pablo
• Tipo de recurso: Tesis
• Fecha de publicación: 2022
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/29252
• Acceso en línea: http://hdl.handle.net/10495/29252
• Palabra clave: Aprendizaje automático (inteligencia artificial); Machine learning; Redes neurales (computadores); Neural networks (Computer science); Calidad del aire; Air quality; Polución del aire; Air pollution; http://aims.fao.org/aos/agrovoc/c_a2ef545f; http://aims.fao.org/aos/agrovoc/c_228
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/2.5/co/