Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires

El presente trabajo evalúa la capacidad predictiva de técnicas de aprendizaje automático supervisadas y no supervisadas para estimar la calidad del aire en la Ciudad Autónoma de Buenos Aires. A partir de datos geoespaciales y socioambientales, se desarrollaron dos modelos: un enfoque no supervisado...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Kenny Novillo, Gonzalo
Formato: Trabajo final de especialización
Lenguaje:Español
Publicado: 2025
Materias:
CALIDAD DEL AIRE, MODELOS PREDICTIVOS, ISLAS DE CALOR, TRANSITO, SEGMENTACIÓN ESPACIAL
Acceso en línea:https://hdl.handle.net/20.500.14769/5137
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-5137
record_format dspace
spelling I32-R138-20.500.14769-51372026-01-07T14:13:37Z Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires Kenny Novillo, Gonzalo CALIDAD DEL AIRE, MODELOS PREDICTIVOS, ISLAS DE CALOR, TRANSITO, SEGMENTACIÓN ESPACIAL El presente trabajo evalúa la capacidad predictiva de técnicas de aprendizaje automático supervisadas y no supervisadas para estimar la calidad del aire en la Ciudad Autónoma de Buenos Aires. A partir de datos geoespaciales y socioambientales, se desarrollaron dos modelos: un enfoque no supervisado basado en K-means clustering con reducción dimensional mediante PCA, y un modelo supervisado mediante XGBoost. Ambos se aplicaron a un conjunto de 3.552 fracciones censales con el objetivo de asignar valores de calidad del aire (CO, NO₂, PM₁₀) a zonas sin cobertura de monitoreo. Los resultados muestran que XGBoost alcanzó una precisión promedio del 83%, superando ampliamente a K-means (58%), y permitiendo una cobertura completa del 100% del territorio urbano. El estudio demuestra la viabilidad de integrar técnicas de ciencia de datos y análisis geoespacial para optimizar el monitoreo ambiental y apoyar políticas públicas basadas en evidencia. 2025-10-24T17:12:03Z 2025-10-24T17:12:03Z 2025-10-23 Trabajo final de especialización https://hdl.handle.net/20.500.14769/5137 es application/pdf
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic CALIDAD DEL AIRE, MODELOS PREDICTIVOS, ISLAS DE CALOR, TRANSITO, SEGMENTACIÓN ESPACIAL
spellingShingle CALIDAD DEL AIRE, MODELOS PREDICTIVOS, ISLAS DE CALOR, TRANSITO, SEGMENTACIÓN ESPACIAL
Kenny Novillo, Gonzalo
Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires
topic_facet CALIDAD DEL AIRE, MODELOS PREDICTIVOS, ISLAS DE CALOR, TRANSITO, SEGMENTACIÓN ESPACIAL
description El presente trabajo evalúa la capacidad predictiva de técnicas de aprendizaje automático supervisadas y no supervisadas para estimar la calidad del aire en la Ciudad Autónoma de Buenos Aires. A partir de datos geoespaciales y socioambientales, se desarrollaron dos modelos: un enfoque no supervisado basado en K-means clustering con reducción dimensional mediante PCA, y un modelo supervisado mediante XGBoost. Ambos se aplicaron a un conjunto de 3.552 fracciones censales con el objetivo de asignar valores de calidad del aire (CO, NO₂, PM₁₀) a zonas sin cobertura de monitoreo. Los resultados muestran que XGBoost alcanzó una precisión promedio del 83%, superando ampliamente a K-means (58%), y permitiendo una cobertura completa del 100% del territorio urbano. El estudio demuestra la viabilidad de integrar técnicas de ciencia de datos y análisis geoespacial para optimizar el monitoreo ambiental y apoyar políticas públicas basadas en evidencia.
format Trabajo final de especialización
author Kenny Novillo, Gonzalo
author_facet Kenny Novillo, Gonzalo
author_sort Kenny Novillo, Gonzalo
title Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires
title_short Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires
title_full Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires
title_fullStr Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires
title_full_unstemmed Comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de Buenos Aires
title_sort comparación de la capacidad predictiva de técnicas supervisadas y no supervisadas para la calidad del aire en la ciudad de buenos aires
publishDate 2025
url https://hdl.handle.net/20.500.14769/5137
work_keys_str_mv AT kennynovillogonzalo comparaciondelacapacidadpredictivadetecnicassupervisadasynosupervisadasparalacalidaddelaireenlaciudaddebuenosaires
_version_ 1854267344045473792

Ejemplares similares