Mostrar el registro sencillo del ítem

Artificial Intelligence and Multivariate Statistics in the Analysis of PM2.5 Behavior in the City of Barranquilla

Inteligencia artificial y la estadística multivariada en el análisis del comportamiento de PM2.5 en la ciudad de Barranquilla

dc.creatorParody Muñoz, Alexander Elías
dc.creatorCastillo Ramírez, Margarita
dc.creatorMendoza Hernández , Martha
dc.creatorTorres Garcés, Alejandra
dc.creatorTorrijos Espitia, María
dc.creatorSanmartín Mendoza, Paul
dc.date2023-12-27
dc.date2025-04-01T15:53:15Z
dc.date2025-04-01T15:53:15Z
dc.date.accessioned2026-03-25T19:33:20Z
dc.date.available2026-03-25T19:33:20Z
dc.identifierhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/6789
dc.identifier10.18359/rcin.6789
dc.identifierhttps://hdl.handle.net/10654/47211
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/201952
dc.descriptionPredicting the behavior of atmospheric pollutants has become a crucial input for the design of government contingency strategies aiming to mitigate pollution levels. For this reason, this research presents a methodology to predict the non-compliance with the maximum allowed indices for the particulate matter pollutant PM2.5. The approach involves multivariate statistical models that can be used to understand how various meteorological variables influence the pollutant’s behavior. It also serves as a means of selecting variables for training a Bayesian neural network classifier. In addition to the multivariate model, a multifactorial analysis of variance was applied to assess the effect of day, hour, and month on the mean PM2.5 levels. The main results revealed that variables such as wind direction, temperature, humidity, atmospheric pressure, precipitation, solar radiation, time of day, day of the week, and month were statistically significant. These variables allowed the training of a neural network with an overall predictive capacity of 78.2%, reaching 81% accuracy in cases of noncompliance. This demonstrates that with manageable variables (meteorological variables, time, day, and month), a highly useful forecasting tool can be designed to contribute to air quality management.
dc.descriptionPredecir el comportamiento de los contaminantes atmosféricos se ha convertido en un importante insumo para el diseño de estrategias gubernamentales de contingencia que buscan mitigar los niveles de contaminación, por tal motivo esta investigación presenta una metodología para predecir el incumplimiento de los índices máximos permitidos para el material particulado contaminante PM 2.5, a partir de modelos estadísticos multivariados que pueden ser utilizados para entender cómo diversas variables meteorológicas influyen en el comportamiento del contaminante, al igual que como forma de seleccionar las variables que serán usadas durante el entrenamiento de un clasificador bayesiano de redes neuronales. Además del modelo multivariado, se aplicó un análisis de varianza multifactorial para evaluar el efecto del día, hora y mes en la media del PM 2.5. Como resultados principales, se encontró que las variables: dirección del viento, temperatura, humedad, presión atmosférica, precipitación, radiación solar, hora deldía, día de la semana y mes, fueron estadísticamente significativas y permitieron entrenar una red neuronal con una capacidad de pronóstico del 78,2 % de manera global y del 81 % en los casos de incumplimiento, demostrando así que con variables factibles de manejar (variables meteorológicas, hora, día y mes) se puede diseñar una herramienta de pronóstico muy útil como insumo para la gestión sobre la calidad del aire.
dc.formatapplication/pdf
dc.formattext/xml
dc.languagespa
dc.publisherUniversidad Militar Nueva Granada
dc.relationhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/6789/5739
dc.relationhttps://revistas.unimilitar.edu.co/index.php/rcin/article/view/6789/5995
dc.relation/*ref*/1] OMS, Contaminación del aire ambiente (exterior), 2022. https://www.who.int/es/news-room/fact-sheets/detail/ambient-(outdoor)-air-quality-and-health.
dc.relation/*ref*/S. A. P. F. A. M. G. Valdivia, "Evaluación espaciotemporal del material particulado PM2.5 y su relación con las variables meteorológicas en la Universidad Nacional Agraria La Molina", Anales Científicos, vol. 79, no. 2, pp. 334-340, 2018.https://doi.org/10.21704/ac.v79i2.992
dc.relation/*ref*/Universidad de los Andes, "Ministerio de Ambiente y Desarrollo Sostenible", https://www.minambiente.gov.co/index.php/component/content/article/1801-plantilla-.
dc.relation/*ref*/Alcaldía de Barranquilla, "Reporte semestral calidad de aire", 2021. https://barranquillaverde.gov.co/storage/app/media/calidad-aire/Reporte%20Calidad%20Aire%20I%20Semestre%202021.pdf
dc.relation/*ref*/IDEAM, "Informe del estado de la calidad del aire en Colombia 2019", 2021. http://documentacion.ideam.gov.co/openbiblio/bvirtual/023898/023898.pdf
dc.relation/*ref*/G. B. Rolong, A. R., Padilla, y D. A. Castañeda, "Aporte de PM 10 y PM 2.5 en la calidad del aire de Barranquilla por quemas en el Vía Parque Isla de Salamanca", presentada en Congreso Colombiano y Conferencia Internacional de Calidad de Aire y Salud Pública IEEE, pp. 1-6, noviembre, 2021.https://doi.org/10.1109/CASAP54985.2021.9703404
dc.relation/*ref*/
dc.relation/*ref*/J. Luna-Carrascal, J. Olivero-Verbel, A. J. Acosta-Hoyos, A. J., y M. Quintana-Sosa, "Auto repair workers exposed to PM2. 5 particulate matter in Barranquilla, Colombia: Telomere length and hematological parameters", Mutation Research/Genetic Toxicology and Environmental Mutagenesis, vol. 887, pp. 1-10, 2023.https://doi.org/10.1016/j.mrgentox.2023.503597
dc.relation/*ref*/A. L. Duarte, I. L. Schneider, P. Artaxo, y M. L. Oliveira, "Spatiotemporal assessment of particulate matter (PM10 and PM2. 5) and ozone in a Caribbean urban coastal city", Geoscience Frontiers, vol. 13, no. 1, pp. 1-9, 2022.https://doi.org/10.1016/j.gsf.2021.101168
dc.relation/*ref*/D. Agudelo-Castañeda, y D. Prieto, "Estimation of atmospheric emissions from ships in the port of Barranquilla", publicada en Congreso Colombiano y Conferencia Internacional de Calidad de Aire y Salud Pública (CASP) (pp. 1-8). IEEE. Barranquilla, Colombia, 14-16 agosto de 2019. https://doi.org/10.1109/CASAP48673.2019.9364030
dc.relation/*ref*/M. Fiuza Pérez, y J. C. Rodríguez Pérez, "La regresión logística: una herramienta versátil" Nefrología, vol. 20, no. 6, pp.495-500, 2000. https://www.revistanefrologia.com/es-la-regresion-logistica-una-herramienta-articulo-X0211699500035664
dc.relation/*ref*/H. Gutiérrez Pulido, Análisis y diseño de experimentos. Ciudad de Mexico, Mexico: McGrawHil, 2012 pp. 62-72.
dc.relation/*ref*/
dc.rightsDerechos de autor 2023 Ciencia e Ingeniería Neogranadina
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0
dc.sourceCiencia e Ingenieria Neogranadina; Vol. 33 No. 2 (2023); 51-64
dc.sourceCiencia e Ingeniería Neogranadina; Vol. 33 Núm. 2 (2023); 51-64
dc.sourceCiencia e Ingeniería Neogranadina; v. 33 n. 2 (2023); 51-64
dc.source1909-7735
dc.source0124-8170
dc.subjectcontaminación atmosférica
dc.subjectanálisis estadístico
dc.subjectredes neuronales
dc.subjectAtmospheric Pollution
dc.subjectStatistical Analysis
dc.subjectNeural Networks
dc.titleArtificial Intelligence and Multivariate Statistics in the Analysis of PM2.5 Behavior in the City of Barranquilla
dc.titleInteligencia artificial y la estadística multivariada en el análisis del comportamiento de PM2.5 en la ciudad de Barranquilla
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem