Predicción de concentración de SO2 en el aire usando machine learning

Gómez Jiménez, José Manuel

Publicación:
Predicción de concentración de SO2 en el aire usando machine learning

dc.contributor.advisor	Saldarriaga Aristizábal, Pablo Andrés
dc.contributor.author	Gómez Jiménez, José Manuel
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.creator.email	jmgomezj1@eafit.edu.co
dc.date.accessioned	2026-05-22T21:46:15Z
dc.date.available	2026-05-22T21:46:15Z
dc.date.issued	2026-02-17
dc.description	La calidad del aire es un tema de creciente preocupación a nivel mundial debido al impacto de la contaminación atmosférica en la salud y el medio ambiente. Los contaminantes criterio, como el material particulado (PM), el monóxido de carbono (CO), el ozono (O3), el dióxido de nitrógeno (NO2) y el dióxido de azufre (SO₂), representan un riesgo significativo, vinculándose con enfermedades respiratorias y cardiovasculares, además de contribuir al cambio climático. En el Valle de Aburrá, esta problemática se agrava debido a las características topográficas de la región, que limitan la dispersión de contaminantes e intensifican los episodios de mala calidad del aire. A pesar de los avances en monitoreo a través del Sistema de Alerta Temprana del Valle de Aburrá (SIATA), los esfuerzos predictivos se han enfocado principalmente en el PM₂.₅, dejando un vacío en la predicción de otros contaminantes criterio. Este proyecto propone desarrollar modelos de machine learning que, utilizando datos históricos y variables ambientales, mejoren la predicción de contaminantes enfocada en el SO₂, proporcionando, mediante el uso de diferentes modelos de machine learning, herramientas para mejorar la gestión ambiental. Esto permitirá fortalecer las estrategias de mitigación y la toma de decisiones, reduciendo los impactos en la salud pública y el entorno natural de la región.
dc.description.degreelevel	Maestría	spa
dc.description.degreename	Magíster en Ciencias de Datos y Analítica	spa
dc.format.mimetype	application/pdf
dc.identifier.instname	instname:Universidad EAFIT
dc.identifier.reponame	reponame:Repositorio Institucional Universidad EAFIT
dc.identifier.repourl	repourl:https://repository.eafit.edu.co
dc.identifier.uri	https://hdl.handle.net/10784/37595
dc.language.iso	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Área Computación y Analítica	spa
dc.publisher.faculty	Escuela de Ciencias Aplicadas e Ingeniería	spa
dc.publisher.place	Medellín
dc.publisher.program	Maestría en Ciencias de los Datos y Analítica	spa
dc.rights	Todos los derechos reservados	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.local	Acceso abierto
dc.subject	Calidad del aire
dc.subject	Contaminantes criterio
dc.subject	SIATA
dc.subject	Machine Learning
dc.subject	Pronóstico de contaminantes
dc.subject	Valle del Aburrá
dc.subject.lemb	CIENCIA DE LA INFORMACIÓN
dc.subject.lemb	CONTAMINACIÓN DEL AIRE - VALLE DEL ABURRÁ (COLOMBIA)
dc.subject.lemb	DIÓXIDO DE AZUFRE - PRUEBAS
dc.subject.lemb	CONTAMINACIÓN ATMOSFÉRICA - VALLE DEL ABURRÁ (COLOMBIA)
dc.subject.lemb	SALUD PÚBLICA - ASPECTOS AMBIENTALES - VALLE DEL ABURRÁ (COLOMBIA)
dc.title	Predicción de concentración de SO2 en el aire usando machine learning
dc.type	info:eu-repo/semantics/masterThesis
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.coarversion	http://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.local	Tesis de Maestría	spa
dc.type.redcol	http://purl.org/redcol/resource_type/TM
dc.type.spa	Caso
dc.type.version	info:eu-repo/semantics/acceptedVersion
dspace.entity.type	Publication