Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA
La calidad del agua en las fuentes hídricas superficiales es un tema apremiante a nivel mundial porque está directamente relacionado con la salud pública y el desarrollo sostenible (SciELO - Salud Pública - Calidad del agua y desarrollo sostenible Calidad del agua y desarrollo sostenible, 2018). Est...
- Autores:
-
Ortiz Rondón, Angela
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2024
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/74685
- Acceso en línea:
- https://hdl.handle.net/1992/74685
- Palabra clave:
- Calidad del agua
Parámetros fisicoquímicos
RNA
Clusterización
Ingeniería
- Rights
- openAccess
- License
- Attribution 4.0 International
| id |
UNIANDES2_d62053456ef292b19c268ea7af26f41b |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/74685 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA |
| title |
Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA |
| spellingShingle |
Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA Calidad del agua Parámetros fisicoquímicos RNA Clusterización Ingeniería |
| title_short |
Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA |
| title_full |
Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA |
| title_fullStr |
Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA |
| title_full_unstemmed |
Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA |
| title_sort |
Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA |
| dc.creator.fl_str_mv |
Ortiz Rondón, Angela |
| dc.contributor.advisor.none.fl_str_mv |
Torres Delgado, José Fidel Husserl Orjuela, Johana |
| dc.contributor.author.none.fl_str_mv |
Ortiz Rondón, Angela |
| dc.contributor.jury.none.fl_str_mv |
Pacheco Carvajal, Natalia |
| dc.subject.keyword.spa.fl_str_mv |
Calidad del agua Parámetros fisicoquímicos RNA Clusterización |
| topic |
Calidad del agua Parámetros fisicoquímicos RNA Clusterización Ingeniería |
| dc.subject.themes.spa.fl_str_mv |
Ingeniería |
| description |
La calidad del agua en las fuentes hídricas superficiales es un tema apremiante a nivel mundial porque está directamente relacionado con la salud pública y el desarrollo sostenible (SciELO - Salud Pública - Calidad del agua y desarrollo sostenible Calidad del agua y desarrollo sostenible, 2018). Esta investigación se desarrolló para abordar una metodología que ajuste el índice de calidad del agua de la Fundación Nacional de Saneamiento de los Estados Unidos (NSF-WQI, por sus siglas en inglés) mediante parámetros fisicoquímicos fáciles de medir en campo, para facilitar la medición de la calidad del agua y toma de decisiones en comunidades vulnerables. Para lograrlo, se procesaron bases de datos provenientes del Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM), las cuales fueron agrupadas mediante la técnica de Clusterización. Después de estimar modelos de Redes Neuronales Artificiales (RNA) por cada clúster, se calcularon intervalos de confianza del 95% y las métricas de desempeño Error Medio Absoluto (MAE), Raíz del Error Cuadrático Medio (RMSE), Coeficiente de correlación de Pearson (R) y Coeficiente de determinación (R^2 ) para cada uno. Como resultado, los modelos de dos de las cuatro agrupaciones presentaron alta capacidad predictiva, especialmente el clúster 3 con un R^2=0.97. Finalmente, mediante el análisis de sensibilidad se determinó que las variables de importancia fueron turbidez en ambos modelos; y pH y temperatura en los modelos del clúster 2 y 3 respectivamente. También, se requiere entrenar las redes con bases de datos más grandes para ampliar el rango de aplicación de los modelos. |
| publishDate |
2024 |
| dc.date.accessioned.none.fl_str_mv |
2024-07-24T21:42:30Z |
| dc.date.available.none.fl_str_mv |
2024-07-24T21:42:30Z |
| dc.date.issued.none.fl_str_mv |
2024-06-24 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| 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.content.none.fl_str_mv |
Text |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/1992/74685 |
| dc.identifier.instname.none.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.none.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
https://hdl.handle.net/1992/74685 |
| identifier_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
A review of water quality index models and their use for assessing surface water quality—ScienceDirect. (2021). Recuperado 16 de junio de 2024, de https://www.sciencedirect.com/science/article/pii/S1470160X20311572. Abbasi, T., & Abbasi, S. A. (2012). Water Quality Indices. Elsevier. An approach for determining relative input parameter importance and significance in artificial neural networks. (2007). Ecological Modelling, 204(3-4), 326-334. https://doi.org/10.1016/j.ecolmodel.2007.01.009. An Introduction to Statistical Learning: With Applications in R | SpringerLink. (2021). Recuperado 16 de junio de 2024, de https://link.springer.com/book/10.1007/978-1-0716-1418-1. Aplicación de índices de calidad de agua -ICA orientados al uso de la fuente para consumo humano. (2010). Recuperado 16 de junio de 2024, de http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-56092010000300007. Application of artificial intelligence (AI) techniques in water quality index prediction: A case study in tropical region, Malaysia | Neural Computing and Applications. (2016). Recuperado 16 de junio de 2024, de https://link.springer.com/article/10.1007/s00521-016-2404-7. Batista, G. E., y Monard, M. C. (2003). An analysis of four missing data treatment methods for supervised learning. Applied artificial intelligence, 17 (5-6), 519-533. Benbouras, M. A., Petrişor, A. I., Zedira, H., Ghelani, L., & Lefilef, L. (2021). Forecasting the bearing capacity of the driven piles using advanced machine-learning techniques. Applied Sciences, 11(22), 10908. Bhushan, I., Yadav, A. K., Mehta, M., Suden, P., & Khanna, P. K. (2021). Assessment of Water Quality of the Mansar Lake using Physico-Chemical Parameters and NSF-WQI Indicator, UT Jammu & Kashmir, India. Water and Energy International, 64(8), 16-21. Bioquímica humana. Curso básico.. Curso basico—Editorial Reverté S.A. (1984). Recuperado 16 de junio de 2024, de https://www.reverte.com/libro/bioquimica-humana-curso-basico_91530/. Borrero García, C. B. (2018). Metodología para determinación del índice de calidad del agua a partir de parámetros fáciles de medir en campo. https://repositorio.uniandes.edu.co/entities/publication/9ea0663e-fc19-4b3d-bf5d-829bf0167500. Brasil, Colombia y Perú, entre los que más agua tienen en el mundo. (2015). World Bank. Recuperado 16 de junio de 2024, de https://www.bancomundial.org/es/news/feature/2015/03/10/brasil-colombia-peru-paises-mas-agua-tienen-en-el-mundo. Brown, R. M., McClelland, N. I., Deininger, R. A., & Tozer, R. G. (1970). A water quality index-do we dare. Water and sewage works, 117(10). Castro, M., Almeida, J., Ferrer, J., & Díaz, D. (2014). Indicadores de la calidad del agua: evolución y tendencias a nivel global. Ingeniería Solidaria, 10(17), 111-124. Cohen, AC., Jr. (1959). Simplified estimators for the normal distribution when samples are singly censored or truncated. Technometrics 1:217-237, 1959. Colombia: Rica en agua, pero con sed de inversiones. (2020). [Text/HTML]. World Bank. Recuperado 16 de junio de 2024, de https://www.bancomundial.org/es/news/feature/2020/09/02/colombia-water-security. Cude, C. G. (Febrero de 2001). Oregon water quality index: a tool for evaluating water quality management effectiveness. Journal of the American Water Resources Association, 37(1), 125-136. Diamantopoulou, M. J., Papamichail, D. M. y Antonopoulos, V. Z. (2005). The Use of a Neural Network Technique for the Prediction of Water Quality Parameters. Operational Research, 5 (1): 115-125. Díaz Gómez, L. S. (2021). Indicadores de calidad de agua salada: Revisión sistemática. Repositorio Institucional - UCV. https://repositorio.ucv.edu.pe/handle/20.500.12692/71524. Duarte, C. M. (2010). Océano: El secreto del planeta Tierra. Editorial CSIC - CSIC Press. Dunnette, D. (1980). Oregon Water Quality Index Staff Manual, Oregon Department Of Environmental Quality Publication. Effendi, H., Romanto, & Wardiatno, Y. (2015). Water Quality Status of Ciambulawung River, Banten Province, Based on Pollution Index and NSF-WQI. Procedia Environmental Sciences, 24, 228-237. https://doi.org/10.1016/j.proenv.2015.03.030. Everitt, B. (1980). Cluster analysis. Quality & Quantity, 14(1). F, G. R. (2015). Evaluación del río Prado a partir de los Macroinvertebrados y de la calidad del agua. REVISTA DE LA ASOCIACION COLOMBIANA DE CIENCIAS BIOLOGICAS, 1(20), Article 20. https://revistaaccb.org/r/index.php/accb/article/view/63. Fartas, F., Remini, B., Sekiou, F., & Marouf, N. (2022). The use of PCA and ANN to improve evaluation of the WQIclassic, development of a new index, and prediction of WQI, Coastel Constantinois, northern coast of eastern Algeria. Water Supply, 22(12), 8727-8749. https://doi.org/10.2166/ws.2022.389. Gabriel, J. (2017). El agua y las consecuencias que esta genera en la agricultura y el medio ambiente. Journal of the Selva Andina Biosphere, 5(1), 1-3. Galvis, P. A. H., Manuela. (2024, mayo 5). Todo lo que debe saber sobre el agua en Colombia. La Silla Vacía. http://www.lasillavacia.com/especiales/todo-lo-que-debe-saber-sobre-el-agua-en-colombia/. Gazzaz, N. M., Yusoff, M. K., Zaharin Aris, A., Juahir, H. y Firuz Ramli. M. (2012). Artificial neural network modeling of the water quality index for Kinta River (Malaysia) using water quality variables as predictors. Marine Pollution Bulletin, 64 (11): 2409-2420. Helsel DR, Gilliom RJ. Estimation of distributional parameters for censored trace level water quality data: 2. Verification and applications. Water Resources J 22(2):147-155, 1986. Hornung RW, Reed LD. Estimation of average concentration in the presence of nondetectable values. Appl Occup Environ Hyg. 5(1):46-51, 1990. Indicador WQI - Secretaría Distrital de Ambiente. (s. f.). Recuperado 16 de junio de 2024, de https://www.ambientebogota.gov.co/indicador-wqi. Índices de calidad de agua en fuentes superficiales utilizadas en la producción de agua para consumo humano: Una revisión crítica. (2009). Recuperado 16 de junio de 2024, de http://scielo.org.co/scielo.php?script=sci_arttext&pid=S1692-33242009000300009. Jo, I., & Kim, Y. (2013). Impact of learner’s time management strategies on achievement in an e-learning environment: A Learning analytics approach. The Journal of Educational Information and Media, 19(1), 83-107. Informe Carga de Enfermedad Ambiental en Colombia. (2019). Recuperado 16 de junio de 2024, de https://www.ins.gov.co/Noticias/Paginas/Informe-Carga-de-Enfermedad-Ambiental-en-Colombia.aspx. Mauro, R. (1999). Understanding L.O.V.E (Left Out Variables Error): A Method for Estimating the Effects of Omitted Variables. Psychological Bulletin, 108(2), 314-329. Recuperado el 27 de 11 de 2018. McClelland, N. I. (1974). Water Quality Index Application in the Kansas River Basin. U.S. Environmental Protection Agency-Region VII. Najah, A., Elshafie, A., Karim, O. A. y Jaffar, O. (2009). Prediction of Johor River water quality parameters using artificial neural networks. European Journal of Scientific Research, 28 (3): 422-435. Nasirian, M. (2007). A New Water Quality Index for Environmental Contamination Contributed by Mineral Processing: A Case Study of Amang (Tin Tailing) Processing Activity. Journal of Applied Sciences, 7(20), 2977-2987. https://doi.org/10.3923/jas.2007.2977.2987. Parween, S., Siddique, N. A., Mahammad Diganta, M. T., Olbert, A. I., & Uddin, M. G. (2022). Assessment of urban river water quality using modified NSF water quality index model at Siliguri city, West Bengal, India. Environmental and Sustainability Indicators, 16, 100202. https://doi.org/10.1016/j.indic.2022.100202. Red neuronal artificial para estimar un índice de calidad de agua Artificial neural network to estimate an index of water quality. (2020). Recuperado 16 de junio de 2024, de https://www.researchgate.net/publication/340350959_Red_neuronal_artificial_para_estimar_un_indice_de_calidad_de_agua_Artificial_neural_network_to_estimate_an_index_of_water_quality. Quiñones Huatangari, L., Ochoa Toledo, L., Gamarra Torres, O., Bazán Correa, J., Delgado Soto, J., Kemper Valverde, N., Quiñones Huatangari, L., Ochoa Toledo, L., Gamarra Torres, O., Bazán Correa, J., Delgado Soto, J., & Kemper Valverde, N. (2020). Red neuronal artificial para estimar un índice de calidad de agua. Enfoque UTE, 11(2), 109-120. https://doi.org/10.29019/enfoque.v11n2.633. Ramos Montesinos, M. A. J., & Guillermo Velásquez, P. E. (2023). Análisis comparativo del desempeño del índice ICA-PE y el índice WQI-NSF en el río Locumba. Universidad Privada de Tacna. http://repositorio.upt.edu.pe/handle/20.500.12969/2759. Robalino Vallejo, M. C. (2019). Desarrollo de un indicador de calidad de agua que integre ABI-U E ICA [bachelorThesis, Universidad Nacional de Chimborazo]. http://dspace.unach.edu.ec/handle/51000/6137. Rustam, F., Ishaq, A., Kokab, S. T., de la Torre Diez, I., Mazón, J. L. V., Rodríguez, C. L., & Ashraf, I. (2022). An Artificial Neural Network Model for Water Quality and Water Consumption Prediction. Water, 14(21), Article 21. https://doi.org/10.3390/w14213359. S.Aldenderfer, M., & K.Blashfield, R. (1984). Cluster Analysis. SAGE Publications, Inc. https://doi.org/10.4135/9781412983648. Samboni, N., Trujillo, A. R., & Carvajal, Y. (2011). Aplicación de los indicadores de calidad y contaminación del agua en la determinación de la oferta hídrica neta. Ingeniería y competitividad, 13(2), 49-60. SciELO - Salud Pública—Calidad del agua y desarrollo sostenible Calidad del agua y desarrollo sostenible. (2018). Recuperado 23 de junio de 2024, de https://www.scielosp.org/article/rpmesp/2018.v35n2/304-308/es/. Sharifi, M. 1990. «Assessment of Surface Water Quality by an Index System in Anzali Basin». En The Hydrological Basis for Water Resources Management. IAHS, Bejing Symposium: IAHS Publication, 163-71. Singh, K. P., Basant, A., Malik, A. y Jain, G. (2009). Artificial neural network modeling of the river water quality—a case study. Ecological Modelling, 220 (6):8 88-895. Suárez Castro, R. M., Ladino Vega, I. D., Suárez Castro, R. M., & Ladino Vega, I. D. (2023). Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA. Tecnura, 27(75), 72-88. https://doi.org/10.14483/22487638.18623. Universidad de los Andes—Historia de la probabilidad y la estadística IX. (2018). Recuperado 16 de junio de 2024, de https://uniandes.odilotk.es/info/00987251. W. R. Ott. (1978). “Water Quality Indices: A Survey of Indices Used in The United States,” US Environmental Protection Agency. Water Quality Indexes: Evolution and Trends at the Global Level | Ingeniería Solidaria. (2014). Recuperado 16 de junio de 2024, de https://revistas.ucc.edu.co/index.php/in/article/view/811. Wickens, M. R. (1972). A Note on the use of proxy variables. Econometrica: Journal of the Econometric Society, 759-761. Yzquierdo-Herrera, R., Silverio-Castro, R., & Lazo-Cortés, M. (2013). Treatment of lack of information in process mining. Revista Facultad de Ingeniería Universidad de Antioquia, 69, Article 69. https://doi.org/10.17533/udea.redin.18131. |
| dc.rights.en.fl_str_mv |
Attribution 4.0 International |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| 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 |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.none.fl_str_mv |
41 páginas |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.none.fl_str_mv |
Ingeniería Industrial Ingeniería Ambiental |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Industrial Departamento de Ingeniería Civil y Ambiental |
| publisher.none.fl_str_mv |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/82179c00-b0d8-446a-9d29-9b814d356550/download https://repositorio.uniandes.edu.co/bitstreams/b3d76a84-7dc3-45fc-a9e9-d3d56297e992/download https://repositorio.uniandes.edu.co/bitstreams/f2b6ee36-b8b1-4e1c-84be-543500cf7654/download https://repositorio.uniandes.edu.co/bitstreams/bbaa4ede-38b2-4416-a8df-d4d22dfe50f0/download https://repositorio.uniandes.edu.co/bitstreams/ba6fd49f-b1ef-460b-ae97-c63c0efe6e8d/download https://repositorio.uniandes.edu.co/bitstreams/a478cca7-194f-46f2-bcfc-4d6c334ba96e/download https://repositorio.uniandes.edu.co/bitstreams/8b563b18-cdf2-4005-9eb3-087f6d989330/download https://repositorio.uniandes.edu.co/bitstreams/7435a0fc-4ba4-4dff-ba17-e1fa903a5fc8/download |
| bitstream.checksum.fl_str_mv |
0175ea4a2d4caec4bbcc37e300941108 ae9e573a68e7f92501b6913cc846c39f 1501ebd931b30a01df4e39015d3a48c4 f99ae3cb6313285551242f0e45087379 0e3205b863d65c62474c2f166f91e7e5 fae0c9e2d8671f2bbb0c2f01f27c7fff b1f99d88c0984d53d2dddefc72448e12 91a53cd3388cd1f2ec37e305566fd65f |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812134052448174080 |
| spelling |
Torres Delgado, José Fidelvirtual::19202-1Husserl Orjuela, Johanavirtual::19203-1Ortiz Rondón, AngelaPacheco Carvajal, Natalia2024-07-24T21:42:30Z2024-07-24T21:42:30Z2024-06-24https://hdl.handle.net/1992/74685instname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/La calidad del agua en las fuentes hídricas superficiales es un tema apremiante a nivel mundial porque está directamente relacionado con la salud pública y el desarrollo sostenible (SciELO - Salud Pública - Calidad del agua y desarrollo sostenible Calidad del agua y desarrollo sostenible, 2018). Esta investigación se desarrolló para abordar una metodología que ajuste el índice de calidad del agua de la Fundación Nacional de Saneamiento de los Estados Unidos (NSF-WQI, por sus siglas en inglés) mediante parámetros fisicoquímicos fáciles de medir en campo, para facilitar la medición de la calidad del agua y toma de decisiones en comunidades vulnerables. Para lograrlo, se procesaron bases de datos provenientes del Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM), las cuales fueron agrupadas mediante la técnica de Clusterización. Después de estimar modelos de Redes Neuronales Artificiales (RNA) por cada clúster, se calcularon intervalos de confianza del 95% y las métricas de desempeño Error Medio Absoluto (MAE), Raíz del Error Cuadrático Medio (RMSE), Coeficiente de correlación de Pearson (R) y Coeficiente de determinación (R^2 ) para cada uno. Como resultado, los modelos de dos de las cuatro agrupaciones presentaron alta capacidad predictiva, especialmente el clúster 3 con un R^2=0.97. Finalmente, mediante el análisis de sensibilidad se determinó que las variables de importancia fueron turbidez en ambos modelos; y pH y temperatura en los modelos del clúster 2 y 3 respectivamente. También, se requiere entrenar las redes con bases de datos más grandes para ampliar el rango de aplicación de los modelos.Water quality in surface water sources is a very important issue worldwide because it is directly related to public health and sustainable development. The research was developed to propose a methodology that adjusts the US National Sanitation Foundation Water Quality Index (NSF-WQI) using physicochemical parameters that are easy to measure, to allow vulnerable communities to know the quality of the water and make decisions in terms of usage and treatment. To ensure the purpose, databases from the Institute of Hydrology, Meteorology and Environmental Studies (IDEAM) were processed, which were grouped using the Clusterization technique. After estimating Artificial Neural Network (ANN) models for each cluster, 95% confidence intervals and the performance metrics Mean Absolute Error (MAE), Root Mean Square Error (RMSE), Pearson correlation coefficient (R) and Coefficient of determination (R^2) were estimated for each one. As a result, two of the four cluster models presented high predictive capacity, especially cluster 3 with an R^2=0.97. Finally, through sensitivity analysis it was determined that the important variables were turbidity in both models; and pH and temperature in cluster models 2 and 3 respectively. Also, it is required to train the networks with larger databases to expand the range of application of the models.Pregrado41 páginasapplication/pdfspaUniversidad de los AndesIngeniería IndustrialIngeniería AmbientalFacultad de IngenieríaDepartamento de Ingeniería IndustrialDepartamento de Ingeniería Civil y AmbientalAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNATrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_7a1fTexthttp://purl.org/redcol/resource_type/TPCalidad del aguaParámetros fisicoquímicosRNAClusterizaciónIngenieríaA review of water quality index models and their use for assessing surface water quality—ScienceDirect. (2021). Recuperado 16 de junio de 2024, de https://www.sciencedirect.com/science/article/pii/S1470160X20311572.Abbasi, T., & Abbasi, S. A. (2012). Water Quality Indices. Elsevier.An approach for determining relative input parameter importance and significance in artificial neural networks. (2007). Ecological Modelling, 204(3-4), 326-334. https://doi.org/10.1016/j.ecolmodel.2007.01.009.An Introduction to Statistical Learning: With Applications in R | SpringerLink. (2021). Recuperado 16 de junio de 2024, de https://link.springer.com/book/10.1007/978-1-0716-1418-1.Aplicación de índices de calidad de agua -ICA orientados al uso de la fuente para consumo humano. (2010). Recuperado 16 de junio de 2024, de http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-56092010000300007.Application of artificial intelligence (AI) techniques in water quality index prediction: A case study in tropical region, Malaysia | Neural Computing and Applications. (2016). Recuperado 16 de junio de 2024, de https://link.springer.com/article/10.1007/s00521-016-2404-7.Batista, G. E., y Monard, M. C. (2003). An analysis of four missing data treatment methods for supervised learning. Applied artificial intelligence, 17 (5-6), 519-533.Benbouras, M. A., Petrişor, A. I., Zedira, H., Ghelani, L., & Lefilef, L. (2021). Forecasting the bearing capacity of the driven piles using advanced machine-learning techniques. Applied Sciences, 11(22), 10908.Bhushan, I., Yadav, A. K., Mehta, M., Suden, P., & Khanna, P. K. (2021). Assessment of Water Quality of the Mansar Lake using Physico-Chemical Parameters and NSF-WQI Indicator, UT Jammu & Kashmir, India. Water and Energy International, 64(8), 16-21.Bioquímica humana. Curso básico.. Curso basico—Editorial Reverté S.A. (1984). Recuperado 16 de junio de 2024, de https://www.reverte.com/libro/bioquimica-humana-curso-basico_91530/.Borrero García, C. B. (2018). Metodología para determinación del índice de calidad del agua a partir de parámetros fáciles de medir en campo. https://repositorio.uniandes.edu.co/entities/publication/9ea0663e-fc19-4b3d-bf5d-829bf0167500.Brasil, Colombia y Perú, entre los que más agua tienen en el mundo. (2015). World Bank. Recuperado 16 de junio de 2024, de https://www.bancomundial.org/es/news/feature/2015/03/10/brasil-colombia-peru-paises-mas-agua-tienen-en-el-mundo.Brown, R. M., McClelland, N. I., Deininger, R. A., & Tozer, R. G. (1970). A water quality index-do we dare. Water and sewage works, 117(10).Castro, M., Almeida, J., Ferrer, J., & Díaz, D. (2014). Indicadores de la calidad del agua: evolución y tendencias a nivel global. Ingeniería Solidaria, 10(17), 111-124.Cohen, AC., Jr. (1959). Simplified estimators for the normal distribution when samples are singly censored or truncated. Technometrics 1:217-237, 1959.Colombia: Rica en agua, pero con sed de inversiones. (2020). [Text/HTML]. World Bank. Recuperado 16 de junio de 2024, de https://www.bancomundial.org/es/news/feature/2020/09/02/colombia-water-security.Cude, C. G. (Febrero de 2001). Oregon water quality index: a tool for evaluating water quality management effectiveness. Journal of the American Water Resources Association, 37(1), 125-136.Diamantopoulou, M. J., Papamichail, D. M. y Antonopoulos, V. Z. (2005). The Use of a Neural Network Technique for the Prediction of Water Quality Parameters. Operational Research, 5 (1): 115-125.Díaz Gómez, L. S. (2021). Indicadores de calidad de agua salada: Revisión sistemática. Repositorio Institucional - UCV. https://repositorio.ucv.edu.pe/handle/20.500.12692/71524.Duarte, C. M. (2010). Océano: El secreto del planeta Tierra. Editorial CSIC - CSIC Press.Dunnette, D. (1980). Oregon Water Quality Index Staff Manual, Oregon Department Of Environmental Quality Publication.Effendi, H., Romanto, & Wardiatno, Y. (2015). Water Quality Status of Ciambulawung River, Banten Province, Based on Pollution Index and NSF-WQI. Procedia Environmental Sciences, 24, 228-237. https://doi.org/10.1016/j.proenv.2015.03.030.Everitt, B. (1980). Cluster analysis. Quality & Quantity, 14(1).F, G. R. (2015). Evaluación del río Prado a partir de los Macroinvertebrados y de la calidad del agua. REVISTA DE LA ASOCIACION COLOMBIANA DE CIENCIAS BIOLOGICAS, 1(20), Article 20. https://revistaaccb.org/r/index.php/accb/article/view/63.Fartas, F., Remini, B., Sekiou, F., & Marouf, N. (2022). The use of PCA and ANN to improve evaluation of the WQIclassic, development of a new index, and prediction of WQI, Coastel Constantinois, northern coast of eastern Algeria. Water Supply, 22(12), 8727-8749. https://doi.org/10.2166/ws.2022.389.Gabriel, J. (2017). El agua y las consecuencias que esta genera en la agricultura y el medio ambiente. Journal of the Selva Andina Biosphere, 5(1), 1-3.Galvis, P. A. H., Manuela. (2024, mayo 5). Todo lo que debe saber sobre el agua en Colombia. La Silla Vacía. http://www.lasillavacia.com/especiales/todo-lo-que-debe-saber-sobre-el-agua-en-colombia/.Gazzaz, N. M., Yusoff, M. K., Zaharin Aris, A., Juahir, H. y Firuz Ramli. M. (2012). Artificial neural network modeling of the water quality index for Kinta River (Malaysia) using water quality variables as predictors. Marine Pollution Bulletin, 64 (11): 2409-2420.Helsel DR, Gilliom RJ. Estimation of distributional parameters for censored trace level water quality data: 2. Verification and applications. Water Resources J 22(2):147-155, 1986.Hornung RW, Reed LD. Estimation of average concentration in the presence of nondetectable values. Appl Occup Environ Hyg. 5(1):46-51, 1990.Indicador WQI - Secretaría Distrital de Ambiente. (s. f.). Recuperado 16 de junio de 2024, de https://www.ambientebogota.gov.co/indicador-wqi.Índices de calidad de agua en fuentes superficiales utilizadas en la producción de agua para consumo humano: Una revisión crítica. (2009). Recuperado 16 de junio de 2024, de http://scielo.org.co/scielo.php?script=sci_arttext&pid=S1692-33242009000300009.Jo, I., & Kim, Y. (2013). Impact of learner’s time management strategies on achievement in an e-learning environment: A Learning analytics approach. The Journal of Educational Information and Media, 19(1), 83-107.Informe Carga de Enfermedad Ambiental en Colombia. (2019). Recuperado 16 de junio de 2024, de https://www.ins.gov.co/Noticias/Paginas/Informe-Carga-de-Enfermedad-Ambiental-en-Colombia.aspx.Mauro, R. (1999). Understanding L.O.V.E (Left Out Variables Error): A Method for Estimating the Effects of Omitted Variables. Psychological Bulletin, 108(2), 314-329. Recuperado el 27 de 11 de 2018.McClelland, N. I. (1974). Water Quality Index Application in the Kansas River Basin. U.S. Environmental Protection Agency-Region VII.Najah, A., Elshafie, A., Karim, O. A. y Jaffar, O. (2009). Prediction of Johor River water quality parameters using artificial neural networks. European Journal of Scientific Research, 28 (3): 422-435.Nasirian, M. (2007). A New Water Quality Index for Environmental Contamination Contributed by Mineral Processing: A Case Study of Amang (Tin Tailing) Processing Activity. Journal of Applied Sciences, 7(20), 2977-2987. https://doi.org/10.3923/jas.2007.2977.2987.Parween, S., Siddique, N. A., Mahammad Diganta, M. T., Olbert, A. I., & Uddin, M. G. (2022). Assessment of urban river water quality using modified NSF water quality index model at Siliguri city, West Bengal, India. Environmental and Sustainability Indicators, 16, 100202. https://doi.org/10.1016/j.indic.2022.100202.Red neuronal artificial para estimar un índice de calidad de agua Artificial neural network to estimate an index of water quality. (2020). Recuperado 16 de junio de 2024, de https://www.researchgate.net/publication/340350959_Red_neuronal_artificial_para_estimar_un_indice_de_calidad_de_agua_Artificial_neural_network_to_estimate_an_index_of_water_quality.Quiñones Huatangari, L., Ochoa Toledo, L., Gamarra Torres, O., Bazán Correa, J., Delgado Soto, J., Kemper Valverde, N., Quiñones Huatangari, L., Ochoa Toledo, L., Gamarra Torres, O., Bazán Correa, J., Delgado Soto, J., & Kemper Valverde, N. (2020). Red neuronal artificial para estimar un índice de calidad de agua. Enfoque UTE, 11(2), 109-120. https://doi.org/10.29019/enfoque.v11n2.633.Ramos Montesinos, M. A. J., & Guillermo Velásquez, P. E. (2023). Análisis comparativo del desempeño del índice ICA-PE y el índice WQI-NSF en el río Locumba. Universidad Privada de Tacna. http://repositorio.upt.edu.pe/handle/20.500.12969/2759.Robalino Vallejo, M. C. (2019). Desarrollo de un indicador de calidad de agua que integre ABI-U E ICA [bachelorThesis, Universidad Nacional de Chimborazo]. http://dspace.unach.edu.ec/handle/51000/6137.Rustam, F., Ishaq, A., Kokab, S. T., de la Torre Diez, I., Mazón, J. L. V., Rodríguez, C. L., & Ashraf, I. (2022). An Artificial Neural Network Model for Water Quality and Water Consumption Prediction. Water, 14(21), Article 21. https://doi.org/10.3390/w14213359.S.Aldenderfer, M., & K.Blashfield, R. (1984). Cluster Analysis. SAGE Publications, Inc. https://doi.org/10.4135/9781412983648.Samboni, N., Trujillo, A. R., & Carvajal, Y. (2011). Aplicación de los indicadores de calidad y contaminación del agua en la determinación de la oferta hídrica neta. Ingeniería y competitividad, 13(2), 49-60.SciELO - Salud Pública—Calidad del agua y desarrollo sostenible Calidad del agua y desarrollo sostenible. (2018). Recuperado 23 de junio de 2024, de https://www.scielosp.org/article/rpmesp/2018.v35n2/304-308/es/.Sharifi, M. 1990. «Assessment of Surface Water Quality by an Index System in Anzali Basin». En The Hydrological Basis for Water Resources Management. IAHS, Bejing Symposium: IAHS Publication, 163-71.Singh, K. P., Basant, A., Malik, A. y Jain, G. (2009). Artificial neural network modeling of the river water quality—a case study. Ecological Modelling, 220 (6):8 88-895.Suárez Castro, R. M., Ladino Vega, I. D., Suárez Castro, R. M., & Ladino Vega, I. D. (2023). Redes neuronales aplicadas al control estadístico de procesos con cartas de control EWMA. Tecnura, 27(75), 72-88. https://doi.org/10.14483/22487638.18623.Universidad de los Andes—Historia de la probabilidad y la estadística IX. (2018). Recuperado 16 de junio de 2024, de https://uniandes.odilotk.es/info/00987251.W. R. Ott. (1978). “Water Quality Indices: A Survey of Indices Used in The United States,” US Environmental Protection Agency.Water Quality Indexes: Evolution and Trends at the Global Level | Ingeniería Solidaria. (2014). Recuperado 16 de junio de 2024, de https://revistas.ucc.edu.co/index.php/in/article/view/811.Wickens, M. R. (1972). A Note on the use of proxy variables. Econometrica: Journal of the Econometric Society, 759-761.Yzquierdo-Herrera, R., Silverio-Castro, R., & Lazo-Cortés, M. (2013). Treatment of lack of information in process mining. Revista Facultad de Ingeniería Universidad de Antioquia, 69, Article 69. https://doi.org/10.17533/udea.redin.18131.201913619Publicationhttps://scholar.google.es/citations?user=HwJdk_MAAAAJvirtual::19202-1https://scholar.google.es/citations?user=HitOO8AAAAJvirtual::19203-10000-0002-1390-1583virtual::19203-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000054143virtual::19202-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000277860virtual::19203-1ad52aad3-4a85-4732-baf8-1432763728advirtual::19202-16c9de8f6-67e3-4472-9a44-7379cf7e0fafvirtual::19203-1ad52aad3-4a85-4732-baf8-1432763728advirtual::19202-16c9de8f6-67e3-4472-9a44-7379cf7e0fafvirtual::19203-1CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8908https://repositorio.uniandes.edu.co/bitstreams/82179c00-b0d8-446a-9d29-9b814d356550/download0175ea4a2d4caec4bbcc37e300941108MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82535https://repositorio.uniandes.edu.co/bitstreams/b3d76a84-7dc3-45fc-a9e9-d3d56297e992/downloadae9e573a68e7f92501b6913cc846c39fMD54ORIGINALTesis autorización.pdfTesis autorización.pdfHIDEapplication/pdf366318https://repositorio.uniandes.edu.co/bitstreams/f2b6ee36-b8b1-4e1c-84be-543500cf7654/download1501ebd931b30a01df4e39015d3a48c4MD55Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA.pdfMetodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA.pdfapplication/pdf2256563https://repositorio.uniandes.edu.co/bitstreams/bbaa4ede-38b2-4416-a8df-d4d22dfe50f0/downloadf99ae3cb6313285551242f0e45087379MD56TEXTTesis autorización.pdf.txtTesis autorización.pdf.txtExtracted texttext/plain2121https://repositorio.uniandes.edu.co/bitstreams/ba6fd49f-b1ef-460b-ae97-c63c0efe6e8d/download0e3205b863d65c62474c2f166f91e7e5MD57Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA.pdf.txtMetodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA.pdf.txtExtracted texttext/plain71010https://repositorio.uniandes.edu.co/bitstreams/a478cca7-194f-46f2-bcfc-4d6c334ba96e/downloadfae0c9e2d8671f2bbb0c2f01f27c7fffMD59THUMBNAILTesis autorización.pdf.jpgTesis autorización.pdf.jpgGenerated Thumbnailimage/jpeg11012https://repositorio.uniandes.edu.co/bitstreams/8b563b18-cdf2-4005-9eb3-087f6d989330/downloadb1f99d88c0984d53d2dddefc72448e12MD58Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA.pdf.jpgMetodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA.pdf.jpgGenerated Thumbnailimage/jpeg6839https://repositorio.uniandes.edu.co/bitstreams/7435a0fc-4ba4-4dff-ba17-e1fa903a5fc8/download91a53cd3388cd1f2ec37e305566fd65fMD5101992/74685oai:repositorio.uniandes.edu.co:1992/746852024-09-12 16:17:51.598http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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 |