Modelado de concentraciones de contaminantes atmosféricos basado en variables meterológicas : análisis de correlación y regresión

En Colombia, la inteligencia de negocios, la analítica y el aprendizaje automático han adquirido una gran relevancia con herramientas para la toma de decisiones y el aprovechamiento de los datos en diversas problemáticas. La búsqueda de la explotación eficiente de los datos ha permitido consolidar la información y obtener las mejores opciones para la toma de decisiones. El aprovechamiento de los datos se vuelve fundamental en todos los ámbitos, especialmente en la gestión de proyectos. En este sentido, el uso de dispositivos IoT(Internet Of Things), como sensores para la captura de información meteorológica y de contaminantes atmosféricos, desempeña un papel crucial [1]. Se plantea que, mediante técnicas de aprendizaje automático, se hace posible realizar análisis utilizando modelos de clasificación y regresión, lo que conlleva a un ahorro en el uso de sensores para contaminantes atmosféricos y herramientas de modelamiento. Específicamente, se propone utilizar modelos como Kernel Ridge, Random Forest Regressor, Linear SVR (Lineal Support Vector Regression), ElasticNET y SVR (Support Vector Regression) para analizar la información meteorológica y los datos de material particulado. El objetivo es determinar el modelo más preciso que permita evaluar la concentración de contaminantes. Este proyecto busca aprovechar el potencial de la inteligencia de negocios y el aprendizaje automático para mejorar el análisis de contaminantes atmosféricos y meteorológicos. Esto implica la utilización de datos provenientes de sensores y la implementación de modelos de regresión para obtener resultados precisos y eficientes en la evaluación de la concentración de contaminantes. La disminución de costos y las nuevas opciones de validación de datos son factores clave que hacen que este proyecto sea especialmente relevante en el campo de la evaluación de análisis de contaminantes atmosféricos y meteorológicos. En primer lugar, la reducción de costos es un aspecto fundamental en cualquier proyecto, y en este caso, el uso de técnicas de analítica de datos y aprendizaje automático puede proporcionar eficiencia y ahorro significativos al aprovechar al máximo los datos disponibles y aplicar modelos de análisis, se pueden evitar gastos innecesarios en la adquisición y mantenimiento de sensores adicionales para la monitorización de contaminantes atmosféricos. Además, la posibilidad de contar con nuevas opciones de validación de datos se hace esencial para garantizar la calidad y confiabilidad de los resultados. Al utilizar técnicas de aprendizaje automático, es posible realizar análisis comparativos y validar los datos obtenidos de diferentes fuentes, como sensores meteorológicos y mediciones de material particulado. Esto permite obtener conclusiones más sólidas y respaldadas, lo que a su vez mejora la toma de decisiones en relación con la contaminación atmosférica

#InteligenciaDeNegocios

In Colombia, business intelligence, analytics and machine learning have acquired great relevance with tools for decision making and use of data in various problems. The search for exploitation efficient use of data has made it possible to consolidate information and obtain the best options for decision making. The use of data becomes essential in all areas, especially in project management. In this sense, the use of devices IoT (Internet Of Things), such as sensors for capturing weather and safety information atmospheric pollutants, plays a crucial role [1]. It is proposed that, through machine learning techniques, it becomes possible to perform analysis using classification and regression models, which leads to savings in use of sensors for atmospheric pollutants and modeling tools. Specifically, it is proposed to use models such as Kernel Ridge, Random Forest Regressor, Linear SVR (Linear Support Vector Regression), ElasticNET and SVR (Support Vector Regression) to analyze weather information and material data particulate. The objective is to determine the most precise model that allows evaluating the concentration of contaminants. This project seeks to harness the potential of business intelligence and learning automatic to improve the analysis of atmospheric and meteorological pollutants. This involves the use of data from sensors and the implementation of regression to obtain accurate and efficient results in concentration evaluation of contaminants. Decreased costs and new data validation options are key factors that make this project especially relevant in the field of evaluation of analysis of atmospheric and meteorological pollutants. First of all, cost reduction is a fundamental aspect of any project, and in this case, the use of data analytics and machine learning techniques can provide significant efficiencies and savings by making the most of available data and apply analysis models, unnecessary expenses can be avoided in the acquisition and maintenance of additional sensors for pollutant monitoring atmospheric. In addition, the possibility of having new data validation options becomes essential to guarantee the quality and reliability of the results. By using techniques of machine learning, it is possible to perform comparative analysis and validate the data obtained from different sources, such as weather sensors and material measurements particulate. This allows for more solid and supported conclusions, which in turn improves decision making regarding air pollution