ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES

Se diseñó una red neuronal artificial (RNA) para hacer predicciones de valores de concentraciones horarias de material particulado fino en la atmósfera. El estudio está basado en los datos de tres años de series de tiempo de pm2.5 (material particulado suspendido de 2,5 micrones de diámetro), obteni...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Salini Calderón,Giovanni, Pérez Jara,Patricio
Lenguaje:	Spanish / Castilian
Publicado:	Universidad de Tarapacá. 2006
Materias:	Contaminación ambiental series temporales redes neuronales artificiales pronóstico material particulado pm2.5 dinámica no lineal
Acceso en línea:	http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052006000200012
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:scielo:S0718-33052006000200012
record_format	dspace
spelling	oai:scielo:S0718-330520060002000122007-01-18ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALESSalini Calderón,GiovanniPérez Jara,Patricio Contaminación ambiental series temporales redes neuronales artificiales pronóstico material particulado pm2.5 dinámica no lineal Se diseñó una red neuronal artificial (RNA) para hacer predicciones de valores de concentraciones horarias de material particulado fino en la atmósfera. El estudio está basado en los datos de tres años de series de tiempo de pm2.5 (material particulado suspendido de 2,5 micrones de diámetro), obtenidos en una estación céntrica de la Red MACAM de la ciudad de Santiago de Chile, entre los años 1994 y 1996. Para obtener el espaciamiento óptimo de los datos, así como el número de datos hacia atrás necesarios para pronosticar el valor futuro, se aplicaron dos test estándar usados en estudio de sistemas dinámicos, como Información Mutua promedio (AMI) y Falsos Vecinos más Cercanos (FNN). De esta manera se encontró que lo más conveniente era considerar como entrada los datos de PM2.5 cada seis horas durante un día (cuatro datos), y en base a ellos predecir el dato siguiente. Una vez fijo el número de variables de entrada y elegida la variable a pronosticar, se diseñó un modelo predictivo basado en la técnica de RNA. El tipo de modelo de RNA usado fue uno de multicapas, alimentado hacia adelante y entrenado mediante la técnica de propagación hacia atrás. Se probaron redes sin capa oculta y con una y dos capas ocultas. El mejor modelo resultó ser con una capa oculta, a diferencia de lo obtenido en trabajo anterior que reportaba que la red sin capa oculta era más eficiente. Los resultados fueron más precisos que los obtenidos con un modelo de persistencia (el valor en seis horas más será el mismo que el actual).info:eu-repo/semantics/openAccessUniversidad de Tarapacá.Ingeniare. Revista chilena de ingeniería v.14 n.3 20062006-12-01text/htmlhttp://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052006000200012es10.4067/S0718-33052006000200012
institution	Scielo Chile
collection	Scielo Chile
language	Spanish / Castilian
topic	Contaminación ambiental series temporales redes neuronales artificiales pronóstico material particulado pm2.5 dinámica no lineal
spellingShingle	Contaminación ambiental series temporales redes neuronales artificiales pronóstico material particulado pm2.5 dinámica no lineal Salini Calderón,Giovanni Pérez Jara,Patricio ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES
description	Se diseñó una red neuronal artificial (RNA) para hacer predicciones de valores de concentraciones horarias de material particulado fino en la atmósfera. El estudio está basado en los datos de tres años de series de tiempo de pm2.5 (material particulado suspendido de 2,5 micrones de diámetro), obtenidos en una estación céntrica de la Red MACAM de la ciudad de Santiago de Chile, entre los años 1994 y 1996. Para obtener el espaciamiento óptimo de los datos, así como el número de datos hacia atrás necesarios para pronosticar el valor futuro, se aplicaron dos test estándar usados en estudio de sistemas dinámicos, como Información Mutua promedio (AMI) y Falsos Vecinos más Cercanos (FNN). De esta manera se encontró que lo más conveniente era considerar como entrada los datos de PM2.5 cada seis horas durante un día (cuatro datos), y en base a ellos predecir el dato siguiente. Una vez fijo el número de variables de entrada y elegida la variable a pronosticar, se diseñó un modelo predictivo basado en la técnica de RNA. El tipo de modelo de RNA usado fue uno de multicapas, alimentado hacia adelante y entrenado mediante la técnica de propagación hacia atrás. Se probaron redes sin capa oculta y con una y dos capas ocultas. El mejor modelo resultó ser con una capa oculta, a diferencia de lo obtenido en trabajo anterior que reportaba que la red sin capa oculta era más eficiente. Los resultados fueron más precisos que los obtenidos con un modelo de persistencia (el valor en seis horas más será el mismo que el actual).
author	Salini Calderón,Giovanni Pérez Jara,Patricio
author_facet	Salini Calderón,Giovanni Pérez Jara,Patricio
author_sort	Salini Calderón,Giovanni
title	ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES
title_short	ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES
title_full	ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES
title_fullStr	ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES
title_full_unstemmed	ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES
title_sort	estudio de series temporales de contaminación ambiental mediante técnicas de redes neuronales artificiales
publisher	Universidad de Tarapacá.
publishDate	2006
url	http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-33052006000200012
work_keys_str_mv	AT salinicalderongiovanni estudiodeseriestemporalesdecontaminacionambientalmediantetecnicasderedesneuronalesartificiales AT perezjarapatricio estudiodeseriestemporalesdecontaminacionambientalmediantetecnicasderedesneuronalesartificiales
_version_	1714203356032925696

ESTUDIO DE SERIES TEMPORALES DE CONTAMINACIÓN AMBIENTAL MEDIANTE TÉCNICAS DE REDES NEURONALES ARTIFICIALES

Ejemplares similares