Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo

En regiones áridas como el Sahel, donde las sequías son recurrentes, las reservas de agua subterránea son esenciales para el ser humano. En estos contextos, la elevada salinidad del agua puede suponer un problema para la calidad del agua potable y, por tanto, para la salud humana. En este trabajo se...

Descripción completa

Detalles Bibliográficos
Autor: Malaxetxebarria Bengoetxea, Arene
Tipo de recurso: tesis de maestría
Fecha de publicación:2024
País:España
Institución:Universidad Complutense de Madrid (UCM)
Repositorio:Docta Complutense
Idioma:español
OAI Identifier:oai:docta.ucm.es:20.500.14352/109283
Acceso en línea:https://hdl.handle.net/20.500.14352/109283
Access Level:acceso abierto
Palabra clave:55:504(662.1)
556.3(662.1)
Mali
Agua subterránea
Salinidad
Geología
Hidrología
2506.04 Geología Ambiental
2506.05 Hidrogeología
id ES_adfad6f40f0e8305845f3cdcf3c4b258
oai_identifier_str oai:docta.ucm.es:20.500.14352/109283
network_acronym_str ES
network_name_str España
repository_id_str
spelling Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgoGroundwater salinity in Mali: spatial prediction using machine learning tools and estimation of people at riskMalaxetxebarria Bengoetxea, Arene55:504(662.1)556.3(662.1)MaliAgua subterráneaSalinidadGeologíaHidrología2506.04 Geología Ambiental2506.05 HidrogeologíaEn regiones áridas como el Sahel, donde las sequías son recurrentes, las reservas de agua subterránea son esenciales para el ser humano. En estos contextos, la elevada salinidad del agua puede suponer un problema para la calidad del agua potable y, por tanto, para la salud humana. En este trabajo se lleva a cabo la predicción espacial mediante herramientas de inteligencia artificial de la conductividad eléctrica de las aguas subterráneas de gran parte de la República de Mali. El resultado final de este trabajo, en forma de cartografía, puede constituir una valiosa herramienta a la hora de mejorar el acceso al agua potable. Para ello, se ha digitalizado una base de datos de 21.196 pozos de agua distribuidos por todo el país y se han recopilado datos acerca de 18 variables explicativas relacionadas con la conductividad eléctrica de las aguas subterráneas que incluyen factores geológicos, climáticos y topográficos, entre otros. Se han evaluado cuatro umbrales diferentes de conductividad eléctrica para discernir entre puntos positivos y puntos negativos. El procedimiento ha incluido un preprocesamiento de las variables explicativas, una fase de entrenamiento de los algoritmos de clasificación y, finalmente, una etapa de validación en la que se ha evaluado la capacidad predictiva de los modelos. Los algoritmos que han presentado un mejor rendimiento han sido empleados para elaborar las cartografías predictivas. Los umbrales de conductividad eléctrica de 500 y 800 μS/cm fueron los que arrojaron mejores resultados. Los resultados muestran que las probabilidades más altas de que el agua presente una elevada salinidad se encuentran al noroeste y sureste de la zona de estudio. Finalmente, y mediante un mapa de densidad de población, se ha podido observar que los principales núcleos urbanos afectados por el consumo de agua subterránea de alta salinidad son Kayes, Nioro, Niono, Mopti, Douentza y Anefif.Gómez-Escalonilla Canales, VíctorMartínez Santos, PedroUniversidad Complutense de Madrid20242024-07-0120242024-07-01master thesishttp://purl.org/coar/resource_type/c_bdccAMhttp://purl.org/coar/version/c_ab4af688f83e57aainfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14352/109283reponame:Docta Complutenseinstname:Universidad Complutense de Madrid (UCM)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessoai:docta.ucm.es:20.500.14352/1092832026-06-02T12:44:21Z
dc.title.none.fl_str_mv Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo
Groundwater salinity in Mali: spatial prediction using machine learning tools and estimation of people at risk
title Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo
spellingShingle Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo
Malaxetxebarria Bengoetxea, Arene
55:504(662.1)
556.3(662.1)
Mali
Agua subterránea
Salinidad
Geología
Hidrología
2506.04 Geología Ambiental
2506.05 Hidrogeología
title_short Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo
title_full Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo
title_fullStr Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo
title_full_unstemmed Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo
title_sort Salinidad de las aguas subterráneas en Mali: predicción espacial mediante herramientas de inteligencia artificial y estimación de personas en riesgo
dc.creator.none.fl_str_mv Malaxetxebarria Bengoetxea, Arene
author Malaxetxebarria Bengoetxea, Arene
author_facet Malaxetxebarria Bengoetxea, Arene
author_role author
dc.contributor.none.fl_str_mv Gómez-Escalonilla Canales, Víctor
Martínez Santos, Pedro
Universidad Complutense de Madrid
dc.subject.none.fl_str_mv 55:504(662.1)
556.3(662.1)
Mali
Agua subterránea
Salinidad
Geología
Hidrología
2506.04 Geología Ambiental
2506.05 Hidrogeología
topic 55:504(662.1)
556.3(662.1)
Mali
Agua subterránea
Salinidad
Geología
Hidrología
2506.04 Geología Ambiental
2506.05 Hidrogeología
description En regiones áridas como el Sahel, donde las sequías son recurrentes, las reservas de agua subterránea son esenciales para el ser humano. En estos contextos, la elevada salinidad del agua puede suponer un problema para la calidad del agua potable y, por tanto, para la salud humana. En este trabajo se lleva a cabo la predicción espacial mediante herramientas de inteligencia artificial de la conductividad eléctrica de las aguas subterráneas de gran parte de la República de Mali. El resultado final de este trabajo, en forma de cartografía, puede constituir una valiosa herramienta a la hora de mejorar el acceso al agua potable. Para ello, se ha digitalizado una base de datos de 21.196 pozos de agua distribuidos por todo el país y se han recopilado datos acerca de 18 variables explicativas relacionadas con la conductividad eléctrica de las aguas subterráneas que incluyen factores geológicos, climáticos y topográficos, entre otros. Se han evaluado cuatro umbrales diferentes de conductividad eléctrica para discernir entre puntos positivos y puntos negativos. El procedimiento ha incluido un preprocesamiento de las variables explicativas, una fase de entrenamiento de los algoritmos de clasificación y, finalmente, una etapa de validación en la que se ha evaluado la capacidad predictiva de los modelos. Los algoritmos que han presentado un mejor rendimiento han sido empleados para elaborar las cartografías predictivas. Los umbrales de conductividad eléctrica de 500 y 800 μS/cm fueron los que arrojaron mejores resultados. Los resultados muestran que las probabilidades más altas de que el agua presente una elevada salinidad se encuentran al noroeste y sureste de la zona de estudio. Finalmente, y mediante un mapa de densidad de población, se ha podido observar que los principales núcleos urbanos afectados por el consumo de agua subterránea de alta salinidad son Kayes, Nioro, Niono, Mopti, Douentza y Anefif.
publishDate 2024
dc.date.none.fl_str_mv 2024
2024-07-01
2024
2024-07-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
AM
http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14352/109283
url https://hdl.handle.net/20.500.14352/109283
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Docta Complutense
instname:Universidad Complutense de Madrid (UCM)
instname_str Universidad Complutense de Madrid (UCM)
reponame_str Docta Complutense
collection Docta Complutense
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869416504315871233
score 15,811543

Similares en LA Referencia