Modelado y Predicción de Partículas Contaminantes PM10 Mediante Redes Profundas Convolucionales
Las partículas con un diámetro inferior a 10 micrómetros (PM10) son hoy en día un tema de estudio importante, principalmente por el aumento de su concentración y su impacto en el medio ambiente y la salud pública. Este trabajo de investigación resume el uso de redes neuronales convolucionales (CNN)...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2020 |
| País: | México |
| Institución: | Universidad Autónoma de Querétaro |
| Repositorio: | Repositorio Institucional de la Universidad Autónoma de Querétaro |
| Idioma: | español |
| OAI Identifier: | oai:ri-ng.uaq.mx:123456789/2155 |
| Acceso en línea: | http://ri-ng.uaq.mx/handle/123456789/2155 |
| Access Level: | acceso abierto |
| Palabra clave: | PM10 Redes neuronales convolucionales Aprendizaje profundo Predicción Método de ensamble bagging INGENIERÍA Y TECNOLOGÍA |
| Sumario: | Las partículas con un diámetro inferior a 10 micrómetros (PM10) son hoy en día un tema de estudio importante, principalmente por el aumento de su concentración y su impacto en el medio ambiente y la salud pública. Este trabajo de investigación resume el uso de redes neuronales convolucionales (CNN) para pronosticar las concentraciones de PM10 basadas en variables atmosféricas. En este estudio en particular, se exploró el uso de redes neurales convolucionales profundas (tanto 1D como 2D) para probar la viabilidad de estas técnicas en las tareas de predicción. Además, en este trabajo de investigación se utiliza un método de ensamble llamado bagging (BEM) para mejorar la precisión del modelo de predicción. Por último, se utiliza una técnica de predicción de PM10 bien conocida, llamada perceptrón multicapa (MLP), como comparación para mostrar la viabilidad, precisión y robustez del modelo propuesto. Como parte de los resultados de este trabajo, se encontró que las CNNs superan a las MLP, especialmente cuando se ejecutan usando modelos de ensamble. |
|---|