Environmental risk assessment in the mediterranean region using artificial neural networks

Los mapas auto-organizados han demostrado ser una herramienta apropiada para la clasificación y visualización de grupos de datos complejos. Redes neuronales, como los mapas auto-organizados (SOM) o las redes difusas ARTMAP (FAM), se utilizan en este estudio para evaluar el impacto medioambiental acu...

Descripción completa

Detalles Bibliográficos
Autor: Mújica Chacín, Marelys Josefina
Tipo de recurso: tesis doctoral
Estado:Versión publicada
Fecha de publicación:2012
País:España
Institución:Universitat Rovira i virgili (URV)
Repositorio:Repositori Institucional de la Universitat Rovira i Virgili
OAI Identifier:oai:urv.cat:TDX:1095
Acceso en línea:https://hdl.handle.net/20.500.11797/TDX1095
http://hdl.handle.net/10803/84044
Access Level:acceso abierto
Palabra clave:62 - Enginyeria. Tecnologia
504 - Ciències del medi ambient
id ES_d3ddcd47edb30cb41d4fcf244dd0fdb1
oai_identifier_str oai:urv.cat:TDX:1095
network_acronym_str ES
network_name_str España
repository_id_str
spelling Environmental risk assessment in the mediterranean region using artificial neural networksMújica Chacín, Marelys Josefina62 - Enginyeria. Tecnologia504 - Ciències del medi ambientLos mapas auto-organizados han demostrado ser una herramienta apropiada para la clasificación y visualización de grupos de datos complejos. Redes neuronales, como los mapas auto-organizados (SOM) o las redes difusas ARTMAP (FAM), se utilizan en este estudio para evaluar el impacto medioambiental acumulativo en diferentes medios (aguas subterráneas, aire y salud humana). Los SOMs también se utilizan para generar mapas de concentraciones de contaminantes en aguas subterráneas simulando las técnicas geostadísticas de interpolación como kriging y cokriging. Para evaluar la confiabilidad de las metodologías desarrolladas en esta tesis, se utilizan procedimientos de referencia como puntos de comparación: la metodología DRASTIC para el estudio de vulnerabilidad en aguas subterráneas y el método de interpolación espacio-temporal conocido como Bayesian Maximum Entropy (BME) para el análisis de calidad del aire. Esta tesis contribuye a demostrar las capacidades de las redes neuronales en el desarrollo de nuevas metodologías y modelos que explícitamente permiten evaluar las dimensiones temporales y espaciales de riesgos acumulativos.Universitat Rovira i Virgili Departament d'Enginyeria QuímicaUniversitat Rovira i Virgili.2012info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdf220 p.https://hdl.handle.net/20.500.11797/TDX1095http://hdl.handle.net/10803/84044reponame:Repositori Institucional de la Universitat Rovira i Virgiliinstname:Universitat Rovira i virgili (URV)Inglésinfo:eu-repo/semantics/openAccessADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà  indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al repositori institucional de la Universitat Rovira i Virgili. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a aquest repositori (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.oai:urv.cat:TDX:10952026-06-23T12:42:27Z
dc.title.none.fl_str_mv Environmental risk assessment in the mediterranean region using artificial neural networks
title Environmental risk assessment in the mediterranean region using artificial neural networks
spellingShingle Environmental risk assessment in the mediterranean region using artificial neural networks
Mújica Chacín, Marelys Josefina
62 - Enginyeria. Tecnologia
504 - Ciències del medi ambient
title_short Environmental risk assessment in the mediterranean region using artificial neural networks
title_full Environmental risk assessment in the mediterranean region using artificial neural networks
title_fullStr Environmental risk assessment in the mediterranean region using artificial neural networks
title_full_unstemmed Environmental risk assessment in the mediterranean region using artificial neural networks
title_sort Environmental risk assessment in the mediterranean region using artificial neural networks
dc.creator.none.fl_str_mv Mújica Chacín, Marelys Josefina
author Mújica Chacín, Marelys Josefina
author_facet Mújica Chacín, Marelys Josefina
author_role author
dc.contributor.none.fl_str_mv Departament d'Enginyeria Química
Universitat Rovira i Virgili.
dc.subject.none.fl_str_mv 62 - Enginyeria. Tecnologia
504 - Ciències del medi ambient
topic 62 - Enginyeria. Tecnologia
504 - Ciències del medi ambient
description Los mapas auto-organizados han demostrado ser una herramienta apropiada para la clasificación y visualización de grupos de datos complejos. Redes neuronales, como los mapas auto-organizados (SOM) o las redes difusas ARTMAP (FAM), se utilizan en este estudio para evaluar el impacto medioambiental acumulativo en diferentes medios (aguas subterráneas, aire y salud humana). Los SOMs también se utilizan para generar mapas de concentraciones de contaminantes en aguas subterráneas simulando las técnicas geostadísticas de interpolación como kriging y cokriging. Para evaluar la confiabilidad de las metodologías desarrolladas en esta tesis, se utilizan procedimientos de referencia como puntos de comparación: la metodología DRASTIC para el estudio de vulnerabilidad en aguas subterráneas y el método de interpolación espacio-temporal conocido como Bayesian Maximum Entropy (BME) para el análisis de calidad del aire. Esta tesis contribuye a demostrar las capacidades de las redes neuronales en el desarrollo de nuevas metodologías y modelos que explícitamente permiten evaluar las dimensiones temporales y espaciales de riesgos acumulativos.
publishDate 2012
dc.date.none.fl_str_mv 2012
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.11797/TDX1095
http://hdl.handle.net/10803/84044
url https://hdl.handle.net/20.500.11797/TDX1095
http://hdl.handle.net/10803/84044
dc.language.none.fl_str_mv Inglés
language_invalid_str_mv Inglés
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
220 p.
dc.publisher.none.fl_str_mv Universitat Rovira i Virgili
publisher.none.fl_str_mv Universitat Rovira i Virgili
dc.source.none.fl_str_mv reponame:Repositori Institucional de la Universitat Rovira i Virgili
instname:Universitat Rovira i virgili (URV)
instname_str Universitat Rovira i virgili (URV)
reponame_str Repositori Institucional de la Universitat Rovira i Virgili
collection Repositori Institucional de la Universitat Rovira i Virgili
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869420497261821952
score 15.300719

Similares en LA Referencia