Modelado de concentraciones de contaminantes atmosféricos basado en variables meterológicas : análisis de correlación y regresión

Abstract

En Colombia, la inteligencia de negocios, la analítica y el aprendizaje automático han adquirido una gran relevancia con herramientas para la toma de decisiones y el aprovechamiento de los datos en diversas problemáticas. La búsqueda de la explotación eficiente de los datos ha permitido consolidar la información y obtener las mejores opciones para la toma de decisiones. El aprovechamiento de los datos se vuelve fundamental en todos los ámbitos, especialmente en la gestión de proyectos. En este sentido, el uso de dispositivos IoT(Internet Of Things), como sensores para la captura de información meteorológica y de contaminantes atmosféricos, desempeña un papel crucial [1]. Se plantea que, mediante técnicas de aprendizaje automático, se hace posible realizar análisis utilizando modelos de clasificación y regresión, lo que conlleva a un ahorro en el uso de sensores para contaminantes atmosféricos y herramientas de modelamiento. Específicamente, se propone utilizar modelos como Kernel Ridge, Random Forest Regressor, Linear SVR (Lineal Support Vector Regression), ElasticNET y SVR (Support Vector Regression) para analizar la información meteorológica y los datos de material particulado. El objetivo es determinar el modelo más preciso que permita evaluar la concentración de contaminantes. Este proyecto busca aprovechar el potencial de la inteligencia de negocios y el aprendizaje automático para mejorar el análisis de contaminantes atmosféricos y meteorológicos. Esto implica la utilización de datos provenientes de sensores y la implementación de modelos de regresión para obtener resultados precisos y eficientes en la evaluación de la concentración de contaminantes. La disminución de costos y las nuevas opciones de validación de datos son factores clave que hacen que este proyecto sea especialmente relevante en el campo de la evaluación de análisis de contaminantes atmosféricos y meteorológicos. En primer lugar, la reducción de costos es un aspecto fundamental en cualquier proyecto, y en este caso, el uso de técnicas de analítica de datos y aprendizaje automático puede proporcionar eficiencia y ahorro significativos al aprovechar al máximo los datos disponibles y aplicar modelos de análisis, se pueden evitar gastos innecesarios en la adquisición y mantenimiento de sensores adicionales para la monitorización de contaminantes atmosféricos. Además, la posibilidad de contar con nuevas opciones de validación de datos se hace esencial para garantizar la calidad y confiabilidad de los resultados. Al utilizar técnicas de aprendizaje automático, es posible realizar análisis comparativos y validar los datos obtenidos de diferentes fuentes, como sensores meteorológicos y mediciones de material particulado. Esto permite obtener conclusiones más sólidas y respaldadas, lo que a su vez mejora la toma de decisiones en relación con la contaminación atmosférica