Predicción del contaminante particulado PM10 en la estación Campo de Marte del distrito de Jesús María
Publicado: 22 Ene 2025, 23:50
TEMA:
Predicción del contaminante particulado PM10 en la estación Campo de Marte del distrito de Jesús María
ABSTRACT:
La contaminación del aire representa un grave problema que perjudica la salud humana y el medio ambiente, causando millones de muertes prematuras anualmente y deteriorando el estado del planeta. La exposición a partículas finas, que son especialmente dañinas, puede ingresar profundamente en los pulmones y ocasionar serios problemas de salud, reduciendo la esperanza de vida en más de dos años. Para abordar esta situación, es fundamental encontrar métodos efectivos para monitorear los niveles de contaminantes en nuestro entorno. Este estudio se centra en el distrito de Jesús María, Lima, Perú. A partir de datos del portal SENAMHI y un análisis de correlación de variables, se desarrollaron tres horizontes de predicción. Se evaluaron y compararon varios modelos de machine learning: Random Forest, REP Tree, Regresión Lineal, XGBoost, LightGBM y Redes Neuronales, para predecir las concentraciones de PM10 en la estación Campo de Marte. Los horizontes temporales considerados fueron PM10_NEXT_HOUR, PM10_NEXT_TWO_HOURS Y PM10_NEXT_THREE_HOURS. Según el análisis de métricas, el modelo más efectivo fue LightGBM para el primero horizonte con coeficiente de determinación (r2) 0.7325 y para los últimos horizontes es XGBoost coeficiente de determinación (r²) 0.5861, 0.5558, destacándose por su buena precisión. En contraste, el modelo menos efectivo fue REP Tree para los tres horizontes, con una correlación de 0.5372 y un coeficiente de determinación (r²) de 0.55580.
INTEGRANTES:
Alburqueque S. Jorge
Alfaro Q. Jhon
Pachas S. Pedro
Raico P. Pedro
Tapia C. Mac
Dataset: https://www.datosabiertos.gob.pe/sites/ ... I%5D_1.csv
Predicción del contaminante particulado PM10 en la estación Campo de Marte del distrito de Jesús María
ABSTRACT:
La contaminación del aire representa un grave problema que perjudica la salud humana y el medio ambiente, causando millones de muertes prematuras anualmente y deteriorando el estado del planeta. La exposición a partículas finas, que son especialmente dañinas, puede ingresar profundamente en los pulmones y ocasionar serios problemas de salud, reduciendo la esperanza de vida en más de dos años. Para abordar esta situación, es fundamental encontrar métodos efectivos para monitorear los niveles de contaminantes en nuestro entorno. Este estudio se centra en el distrito de Jesús María, Lima, Perú. A partir de datos del portal SENAMHI y un análisis de correlación de variables, se desarrollaron tres horizontes de predicción. Se evaluaron y compararon varios modelos de machine learning: Random Forest, REP Tree, Regresión Lineal, XGBoost, LightGBM y Redes Neuronales, para predecir las concentraciones de PM10 en la estación Campo de Marte. Los horizontes temporales considerados fueron PM10_NEXT_HOUR, PM10_NEXT_TWO_HOURS Y PM10_NEXT_THREE_HOURS. Según el análisis de métricas, el modelo más efectivo fue LightGBM para el primero horizonte con coeficiente de determinación (r2) 0.7325 y para los últimos horizontes es XGBoost coeficiente de determinación (r²) 0.5861, 0.5558, destacándose por su buena precisión. En contraste, el modelo menos efectivo fue REP Tree para los tres horizontes, con una correlación de 0.5372 y un coeficiente de determinación (r²) de 0.55580.
INTEGRANTES:
Alburqueque S. Jorge
Alfaro Q. Jhon
Pachas S. Pedro
Raico P. Pedro
Tapia C. Mac
Dataset: https://www.datosabiertos.gob.pe/sites/ ... I%5D_1.csv