MACHINE LEARNING FOR PREDICTING DRINKING WATER QUALITY

Aguilar Aguilar, Andrea Carolina; Obando - Díaz, Francisco Franco

APRENDIZAJE AUTOMÁTICO PARA LA PREDICCIÓN DE CALIDAD DE AGUA POTABLE

dc.creator	Aguilar Aguilar, Andrea Carolina
dc.creator	Obando - Díaz, Francisco Franco
dc.date	2020-05-11
dc.date.accessioned	2022-05-25T14:22:07Z
dc.date.available	2022-05-25T14:22:07Z
dc.identifier	https://revistas.unilibre.edu.co/index.php/ingeniare/article/view/6215
dc.identifier	10.18041/1909-2458/ingeniare.28.6215
dc.identifier.uri	http://test.repositoriodigital.com:8080/handle/123456789/37617
dc.description	Water conservation and care is one of the most important environmental problems today. Water quality refers to the appropriate values of the physicochemical and / or biological parameters of the water for a specific use and its monitoring provides useful information to be processed by machine learning tools for predictive purposes. This document aims to present a review of machine learning techniques used in estimating water quality. Research works show that neural networks (RN), neuro diffuse inference systems (ANFIS), and support vector machines (MVS) are the most widely used predictive techniques, the results obtained in the accuracy measures show the viability of estimate the quality of water in rivers, basins, lakes, among others. Comparative studies propose new strategies to improve the accuracy of the predictions, which integrates the properties of two or more techniques to form hybrid models, their implementation with different algorithms and methodologies can be extensive and is emerging as a future scenario to be developed.	en-US
dc.description	La conservación y cuidado del agua es uno de los problemas medioambientales más importantes en la actualidad. La calidad de agua hace referencia a los valores apropiados de los parámetros fisicoquímicos y/o biológicos del agua para un uso específico y su monitoreo proporciona información útil para ser procesada por herramientas de aprendizaje automático con fines predictivos. Este documento tiene como objetivo presentar una revisión de las técnicas de aprendizaje automático utilizadas en la estimación de la calidad de agua. Los trabajos investigativos muestran que las redes neuronales (RN), sistemas de inferencia neuro difusa (ANFIS), y las máquinas de vectores de soporte (MVS) son las técnicas predictivas más utilizadas, los resultados obtenidos en las medidas de exactitud evidencian la viabilidad de estimar la calidad de agua en ríos, cuencas, lagos entre otros. Estudios comparativos plantean nuevas estrategias para mejorar la exactitud de las predicciones, la cual integra las propiedades de dos o más técnicas para formar modelos híbridos, su implementación con diferentes algoritmos y metodologías puede ser extensa y se perfila como un escenario futuro a desarrollar.	es-ES
dc.format	application/pdf
dc.format	text/xml
dc.language	spa
dc.publisher	Universidad Libre	es-ES
dc.relation	https://revistas.unilibre.edu.co/index.php/ingeniare/article/view/6215/7031
dc.relation	https://revistas.unilibre.edu.co/index.php/ingeniare/article/view/6215/7032
dc.rights	http://creativecommons.org/licenses/by-nc-sa/4.0	es-ES
dc.source	Ingeniare; No. 28 (2020): Ingeniare; 47-62	en-US
dc.source	Ingeniare; Núm. 28 (2020): Ingeniare; 47-62	es-ES
dc.source	2390-0504
dc.source	1909-2458
dc.subject	análisis de datos	es-ES
dc.subject	aprendizaje automático	es-ES
dc.subject	calidad de agua	es-ES
dc.subject	predicción	es-ES
dc.subject	inteligencia artificial	es-ES
dc.subject	data analysis	en-US
dc.subject	machine learning	en-US
dc.subject	water quality	en-US
dc.subject	prediction	en-US
dc.subject	artificial intelligence	en-US
dc.title	MACHINE LEARNING FOR PREDICTING DRINKING WATER QUALITY	en-US
dc.title	APRENDIZAJE AUTOMÁTICO PARA LA PREDICCIÓN DE CALIDAD DE AGUA POTABLE	es-ES
dc.type	info:eu-repo/semantics/article
dc.type	info:eu-repo/semantics/publishedVersion
dc.type	Artículo revisado por pares	es-ES

Ficheros en el ítem

Ficheros	Tamaño	Formato	Ver
No hay ficheros asociados a este ítem.

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

1 [187]

Mostrar el registro sencillo del ítem