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...

Full description

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

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
bitstream.checksum.fl_str_mv	0175ea4a2d4caec4bbcc37e300941108 ae9e573a68e7f92501b6913cc846c39f 1501ebd931b30a01df4e39015d3a48c4 f99ae3cb6313285551242f0e45087379
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio institucional Séneca
repository.mail.fl_str_mv	adminrepositorio@uniandes.edu.co
_version_	1808390477601308672
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/downloadf99ae3cb6313285551242f0e45087379MD561992/74685oai:repositorio.uniandes.edu.co:1992/746852024-07-24 16:49:50.132http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.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

Metodología para predecir el índice de calidad del agua con parámetros fáciles de medir en campo mediante RNA

Publicaciones similares