Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTM
Esta investigación presenta el desarrollo e implementación de modelos basados en redes LSTM para predecir los niveles de contaminantes atmosféricos en Bogotá, utilizando datos de la estación meteorológica de Las Ferias, parte de la Red de Monitoreo de Calidad del Aire de Bogotá (RMCAB). Se recopila...
Saved in:
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | Spanish |
| Published: |
Universidad Tecnológica Nacional, Facultad Regional La Plata
2024-12-01
|
| Series: | Ingenio Tecnológico |
| Subjects: | |
| Online Access: | https://ingenio.frlp.utn.edu.ar/index.php/ingenio/article/view/108 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1832590928941940736 |
|---|---|
| author | Christian Alejandro Sarmiento Sánchez |
| author_facet | Christian Alejandro Sarmiento Sánchez |
| author_sort | Christian Alejandro Sarmiento Sánchez |
| collection | DOAJ |
| description |
Esta investigación presenta el desarrollo e implementación de modelos basados en redes LSTM para predecir los niveles de contaminantes atmosféricos en Bogotá, utilizando datos de la estación meteorológica de Las Ferias, parte de la Red de Monitoreo de Calidad del Aire de Bogotá (RMCAB). Se recopilaron y analizaron datos entre 2021 y 2023, sumando más de 29,200 registros, que fueron empleados para entrenar, validar y probar los modelos. Se desarrollaron dos enfoques: el primero, un modelo univariable de predicción single-step para contaminantes específicos como PM10, PM2.5, CO y NO2, y el segundo, un modelo multivariable que integra variables meteorológicas como la dirección y velocidad del viento, temperatura, humedad, presión y precipitación. El rendimiento de ambos enfoques se evaluó utilizando el error cuadrático medio (RMSE), comparando las predicciones con mediciones reales. Los resultados muestran que el modelo multivariable ofreció mejores predicciones debido a la inclusión de factores atmosféricos adicionales, destacando su capacidad para mejorar la precisión en las estimaciones de la calidad del aire. Esto resalta la relevancia de considerar múltiples variables en la predicción de contaminantes, especialmente en contextos urbanos donde las interacciones entre factores ambientales son complejas.
|
| format | Article |
| id | doaj-art-ff0d375d33694fe6b6bb6de7c40389ea |
| institution | Kabale University |
| issn | 2618-4931 |
| language | Spanish |
| publishDate | 2024-12-01 |
| publisher | Universidad Tecnológica Nacional, Facultad Regional La Plata |
| record_format | Article |
| series | Ingenio Tecnológico |
| spelling | doaj-art-ff0d375d33694fe6b6bb6de7c40389ea2025-01-23T05:41:46ZspaUniversidad Tecnológica Nacional, Facultad Regional La PlataIngenio Tecnológico2618-49312024-12-016Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTMChristian Alejandro Sarmiento Sánchez0Escuela Colombiana de Carreras Industriales (ECCI) Esta investigación presenta el desarrollo e implementación de modelos basados en redes LSTM para predecir los niveles de contaminantes atmosféricos en Bogotá, utilizando datos de la estación meteorológica de Las Ferias, parte de la Red de Monitoreo de Calidad del Aire de Bogotá (RMCAB). Se recopilaron y analizaron datos entre 2021 y 2023, sumando más de 29,200 registros, que fueron empleados para entrenar, validar y probar los modelos. Se desarrollaron dos enfoques: el primero, un modelo univariable de predicción single-step para contaminantes específicos como PM10, PM2.5, CO y NO2, y el segundo, un modelo multivariable que integra variables meteorológicas como la dirección y velocidad del viento, temperatura, humedad, presión y precipitación. El rendimiento de ambos enfoques se evaluó utilizando el error cuadrático medio (RMSE), comparando las predicciones con mediciones reales. Los resultados muestran que el modelo multivariable ofreció mejores predicciones debido a la inclusión de factores atmosféricos adicionales, destacando su capacidad para mejorar la precisión en las estimaciones de la calidad del aire. Esto resalta la relevancia de considerar múltiples variables en la predicción de contaminantes, especialmente en contextos urbanos donde las interacciones entre factores ambientales son complejas. https://ingenio.frlp.utn.edu.ar/index.php/ingenio/article/view/108PredicciónContaminantes atmosféricosLSTMCalidad del aireSeries temporalesAprendizaje profundo |
| spellingShingle | Christian Alejandro Sarmiento Sánchez Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTM Ingenio Tecnológico Predicción Contaminantes atmosféricos LSTM Calidad del aire Series temporales Aprendizaje profundo |
| title | Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTM |
| title_full | Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTM |
| title_fullStr | Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTM |
| title_full_unstemmed | Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTM |
| title_short | Predicción de contaminantes atmosféricos en Bogotá utilizando Redes LSTM |
| title_sort | prediccion de contaminantes atmosfericos en bogota utilizando redes lstm |
| topic | Predicción Contaminantes atmosféricos LSTM Calidad del aire Series temporales Aprendizaje profundo |
| url | https://ingenio.frlp.utn.edu.ar/index.php/ingenio/article/view/108 |
| work_keys_str_mv | AT christianalejandrosarmientosanchez predicciondecontaminantesatmosfericosenbogotautilizandoredeslstm |