Mostrar el registro sencillo del documento
Pronóstico del estado de la calidad del aire respecto al material particulado en Bogotá, por medio de minería de datos
dc.rights.license | Atribución-NoComercial 4.0 Internacional |
dc.contributor.advisor | Rojas Roa, Néstor Yezid |
dc.contributor.author | Fajardo González, Sandra Mireya |
dc.date.accessioned | 2020-11-23T19:37:20Z |
dc.date.available | 2020-11-23T19:37:20Z |
dc.date.issued | 2020-10-28 |
dc.identifier.uri | https://repositorio.unal.edu.co/handle/unal/78649 |
dc.description.abstract | High particulate matter concentrations registered in Bogotá city have reached unhealthy Air Quality Index levels. The latest national air quality report indicates that the southwest area of the city is one of the most polluted sites in the country. In order to predict the next air quality levels in Bogotá, it is necessary to develop tools that provide enough information to implement mitigation strategies in a timely manner and reduce the impacts on public health. In this work, data mining methods were used to develop a forecasting system regarding particulate matter concentrations in Bogota. Using the R programming environment, the existing correlation between the different variables was evaluated, determining the input parameters to the prediction model. Subsequently, a system of Artificial Neural Networks (ANN) was developed based on historical data from the Bogota Air Quality Monitoring Network (RMCAB, by its initials in Spanish), which performs a statistical forecast of average daily concentration in each station. The 24-hour forecasting systems for particulate matter concentration with the best performance were those developed for the San Cristobal and Guaymaral sites, while the most polluted sites in the city had the systems with de lowest adjustments (Carvajal and Kennedy). In general, no model was able to predict the lowest concentrations, what may be related to the reduction in the average values for the latest years in Bogotá. |
dc.description.abstract | Las altas concentraciones de material particulado registradas en la ciudad de Bogotá han alcanzado Índices de Calidad del Aire dañinos para la salud humana. El último reporte nacional de calidad del aire indica que la zona suroccidental de la ciudad es una de las más contaminadas del país. Con el fin de anticipar los estados de calidad del aire que se presentarán en Bogotá, es necesario desarrollar herramientas de pronóstico que permitan implementar de manera oportuna estrategias de mitigación y reducir los impactos sobre la salud pública. En este trabajo se emplearon métodos de minería de datos para desarrollar un sistema de pronóstico de calidad del aire respecto a concentraciones de material particulado en Bogotá. Mediante el ambiente de programación R se evaluó la correlación existente entre las diferentes variables, determinando los parámetros de entrada al modelo de predicción. Posteriormente, se desarrolló un sistema de Redes Neuronales Artificiales (RNA) con base en los datos históricos de la Red de Monitoreo de Calidad del Aire de Bogotá (RMCAB), el cual realiza un pronóstico estadístico de la concentración promedio diaria en cada estación. Los modelos de pronóstico 24 horas para material particulado con los mejores índices de desempeño fueron los desarrollados para las estaciones de San Cristóbal y Guaymaral, mientras que las estaciones más contaminadas de la ciudad presentaron los modelos con los ajustes más bajos (Carvajal y Kennedy). En general, ningún modelo logró predecir las concentraciones más bajas, lo cual puede estar relacionado con la reducción de los valores promedio para los últimos años en Bogotá. |
dc.format.extent | 102 |
dc.format.mimetype | application/pdf |
dc.language.iso | spa |
dc.rights | Derechos reservados - Universidad Nacional de Colombia |
dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ |
dc.subject.ddc | 550 - Ciencias de la tierra |
dc.title | Pronóstico del estado de la calidad del aire respecto al material particulado en Bogotá, por medio de minería de datos |
dc.title.alternative | Air quality forecasting based on particulate matter concentration in Bogotá, using data mining |
dc.type | Otro |
dc.rights.spa | Acceso abierto |
dc.description.additional | Línea de Investigación: Modelación de la Calidad del aire |
dc.type.driver | info:eu-repo/semantics/other |
dc.type.version | info:eu-repo/semantics/acceptedVersion |
dc.publisher.program | Bogotá - Ingeniería - Maestría en Ingeniería - Ingeniería Ambiental |
dc.description.degreelevel | Maestría |
dc.publisher.branch | Universidad Nacional de Colombia - Sede Bogotá |
dc.relation.references | Abd, N., Hisyam, M., Talib, M., & Suhartono. (2013). Forecasting of Air Pollution Index with Artificial Neural Network. 63, 59 - 64 |
dc.relation.references | Alcaldía de Bogotá. (2019). Todo lo que debes saber sobre Bogotá en 2019. Recuperado de https://bogota.gov.co/mi-ciudad/turismo/informacion-de-bogota-en-2019 |
dc.relation.references | Anaya, J. (2015). Sistema prototipo para la estimación del comportamiento del índice de calidad del aire usando técnicas de aprendizaje computacional (Tesis de Maestría). Universidad Nacional de Colombia. Bogotá, Colombia |
dc.relation.references | Andrade, M., Ynoue, R., Dias, E., Todesco, E., Vara, A., Ibarra, S., … Barreto, V. (2015). Air quality forecasting system for Southeastern Brazil. Frontiers in Environmental Science, volume 3, article 9, 1 - 14. |
dc.relation.references | Arciniegas, C. (2012). Diagnóstico y control de material particulado: partículas suspendidas totales y fracción respirable PM 10. Luna Azul, 34, 195 – 213. |
dc.relation.references | Athanasiadis, I., Karatzas, K., & Mitkas, P. (2006). Classification techniques for air quality forecasting, in Fifth ECAI workshop on Binding Environmental sciences and Artificial Intelligence, 17th European Conference on Artificial Intelligence, Riva del Garda, Italy, 2006. |
dc.relation.references | Bai, L., Wang, J., Ma, X., & Lu, H. (2018). Air Pollution Forecasts: An Overview. Environmental Research and Public Health. 15, 780. |
dc.relation.references | CENR. (2001). Air Quality Forecasting: A Review of federal programs and research needs. Colorado, USA. |
dc.relation.references | Cheng, Z., Jiang, J., Fajardo, O., Wang, S., & Hao, J. (2013). Characteristics and health impacts of particulate matter pollution in China (2001-2011). Atmospheric Environment, 65, 186 - 194. |
dc.relation.references | Chiarvetto, L., Rey, F., & Brignole, N. (2008). Aplicación de redes neuronales artificiales para la predicción de Calidad del Aire. Asociación Argentina de Mecánica Computacional. XXVII, 3607 – 3625. |
dc.relation.references | Clean Air Institute. (2013). La Calidad del Aire en América Latina: Una Visión Panorámica. Washington D.C., USA. |
dc.relation.references | CONPES 3943. (2018). Política para el mejoramiento de la Calidad del Aire. Bogotá, Colombia. |
dc.relation.references | DANE. (2019). Censo Nacional de Población y Vivienda 2018. Bogotá: Departamento Administrativo Nacional de Estadística. |
dc.relation.references | Daniels, F., Martínez, E., Arbeláez, M., & Saldarriaga, J. (2007). Sistema de vigilancia epidemiológica sobre la calidad del aire en el Valle de Aburra. AMVA. Medellín, Colombia. |
dc.relation.references | DNP. (2018). Valoración Económica de la Degradación Ambiental en Colombia 2015. Bogotá, Colombia. |
dc.relation.references | EPA. (2019). Air Quality Index (AQI) Basics. AirNow. Recuperado de https://cfpub.epa.gov/airnow/index.cfm?action=aqibasics.aqi |
dc.relation.references | Franceschi, F. (2017). Efecto de las variables meteorológicas en la concentración de contaminantes atmosféricos en la ciudad de Bogotá, utilizando algoritmos de minería de datos (Tesis de Maestría). Universidad de La Sabana. Bogotá, Colombia. |
dc.relation.references | Fernando, H., Mammarella, M., Grandoni, G., Fedele, P., Marco, R., Dimitrova, R., & Hyde, P. (2012). Forecasting PM10 in metropolitan areas: Efficacy of neural networks. Environmental Pollution, 163, 62 – 67 |
dc.relation.references | Haupt, S., Pasini, A., & Marzban, C. (2008). Artificial Intelligence Methods in the Environmental Sciences. USA: Springer |
dc.relation.references | Hyndman, R., & Athanasopoulos, G. (2018). Forecasting: principles and practice, 2nd edition. Melbourne, Australia: OTexts. |
dc.relation.references | IDEAM. (2005). Atlas Climatológico de Colombia. Bogotá, Colombia. |
dc.relation.references | IDEAM. (2011). Guía práctica para la validación de datos en los Sistemas de Vigilancia de Calidad del Aire - SVCA existentes en Colombia – GPVD. Bogotá, Colombia. |
dc.relation.references | IDEAM. (2019). Informe del estado de la calidad del aire en Colombia 2018. Bogotá, Colombia. |
dc.relation.references | IDECA. (s.f.). [Área urbana de Bogotá en IDECA]. Recuperado de https://mapas.bogota.gov.co/# |
dc.relation.references | Martelo, J., Mosquera, N., Reyes, Y., & Obregón, N. (2010). Modelo predictivo de concentraciones de contaminantes atmosféricos en la ciudad de Bogotá abordado con redes neuronales artificiales. Revista ACODAL, 231, 33 – 45. |
dc.relation.references | Martín, B., & Sanz, A., (2007). Redes Neuronales y Sistemas Borrosos. Madrid, España: RA-MA Editorial. |
dc.relation.references | Ministerio de Ambiente y Desarrollo Sostenible. (1 de noviembre de 2017). “Por la cual se adopta la norma de calidad del aire ambiente y se dictan otras disposiciones”. [Resolución 2254 de 2017]. Diario Oficial No. 50.415 |
dc.relation.references | MAVDT. (2008). Protocolo para el monitoreo y seguimiento de la calidad del aire – Manual de operación de sistemas de vigilancia de la calidad del aire. Bogotá, Colombia. |
dc.relation.references | Quintero, M. (2006). Contaminación y medio ambiente en Baja California. Mexicali, México. Universidad autónoma de Baja California. |
dc.relation.references | Sbarato, V., Sbarato, D., Basan, R., Manzo, P., Ortega, J., Campos, M., & Salort, M. (1997). Análisis y Caracterización del Material Particulado Atmosférico. Trabajo de fin de máster, Univ. Nac. de Córdoba. Córdoba, Argentina. |
dc.relation.references | SDA, Transmilenio S.A. & Uniandes (2010). Plan Decenal de Descontaminación del Aire para Bogotá. Bogotá, Colombia. |
dc.relation.references | SDA. (2014). Red de Monitoreo de Calidad del Aire de Bogotá – RMCAB. Recuperado de http://ambientebogota.gov.co/red-de-calidad-del-aire |
dc.relation.references | SDA. (2019). Informe anual de calidad del aire en Bogotá - Año 2018. Bogotá, Colombia. |
dc.relation.references | SDS. (2011). Política Distrital de Salud Ambiental para Bogotá D.C. 2011 - 2023. Documento Técnico Línea de Intervención Aire, Ruido y Radicación Electromagnética. Bogotá, Colombia. |
dc.relation.references | Song, Q., & Chissom, B. (1993). Fuzzy time series and its models. Fuzzy Sets and Systems, 54, 269 - 277. |
dc.relation.references | Tan, P., Steinbach, M., & Kumar, V. (2006). Introduction to Data Mining. USA: Pearson Addison Wesley |
dc.relation.references | US EPA. (2015). America’s Children and the Environment. Washington D.C., USA |
dc.relation.references | USGS. (s.f.) [Localización de Bogotá, Colombio en LandsatLook]. Recuperado de https://landsatlook.usgs.gov/viewer.html |
dc.relation.references | WHO. (2000). Guidelines for Air Quality. Geneva, Switzerland. |
dc.relation.references | WHO. (2016). Ambient air pollution: a global assessment of exposure and burden of disease. Geneva, Switzerland. Recuperado de https://apps.who.int/iris/handle/10665/250141 |
dc.relation.references | WHO. (2017). Ambient (outdoor) air quality and health. Recuperado de http://www.who.int/mediacentre/factsheets/fs313/en/ |
dc.relation.references | WMO. (2020). Global Air quality Forecast and Information Systems (GAFIS) - a new WMO - GAW initiative. Recuperado de https://community.wmo.int/activity-areas/gaw/science-for-services/gafis |
dc.relation.references | Zadeh, L. (1965). Fuzzy Sets. Information and Control, 8, 338 - 353. |
dc.relation.references | Zhang, 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. |
dc.relation.references | Zuk, M., Garibay, V., Iniestra, R., López, M., Rojas-Bracho, L., & Laguna, I. (2006). Introducción a la evaluación de los impactos de las termoeléctricas de México. México. Instituto Nacional de Ecología. |
dc.relation.references | Zupan, J. (2003). Basics of artificial neural networks. In Data Handling in Science and Technology (pp. 199 - 229): Elsevier |
dc.rights.accessrights | info:eu-repo/semantics/openAccess |
dc.subject.proposal | Material particulado |
dc.subject.proposal | Particulate matter |
dc.subject.proposal | Minería de datos |
dc.subject.proposal | Data mining |
dc.subject.proposal | Forecasting |
dc.subject.proposal | Pronóstico |
dc.type.coar | http://purl.org/coar/resource_type/c_1843 |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa |
dc.type.content | Text |
oaire.accessrights | http://purl.org/coar/access_right/c_abf2 |
Archivos en el documento
Este documento aparece en la(s) siguiente(s) colección(ones)
![Atribución-NoComercial 4.0 Internacional](/themes/Mirage2//images/creativecommons/cc-generic.png)