Bogotá - Ciencias Humanas - Especialización en Análisis Espacial · 2024
Evaluación de los métodos de regresión de uso del suelo en la estimación de las concentraciones de PM10 y PM2,5
La estimación de las concentraciones de material particulado (PM₁₀ y PM₂.₅) es esencial para la gestión de la calidad del aire y la formulación de políticas de salud pública. Este estudio se centró en el Área Metropolitana de Bucaramanga (AMB), utilizando Modelos de Regresión de Uso del Suelo (LUR) basados en datos de teledetección para estimar dichas concentraciones entre 2018 y 2023. Se utilizaron imágenes satelitales de Landsat 8 y datos del Sistema de Vigilancia de Calidad del Aire, con predictores como las bandas de reflectancia y varios índices ambientales (NDVI, SAVI, NDWI, NDSI). Se compararon tres técnicas predictivas: regresión paso a paso, regresión de mínimos cuadrados parciales y redes neuronales artificiales (ANN-MLP). Los resultados mostraron que la ANN-MLP fue la más precisa, con un coeficiente de determinación de R² = 0.57 para PM₁₀ y R² = 0.71 para PM₂.₅, y errores cuadráticos medios (RMSE) de 13.13 y 6.61, respectivamente. A partir de los mejores modelos, se generaron mapas de concentración diaria de PM₁₀ y PM₂.₅, proporcionando una herramienta útil para gestionar la calidad del aire en áreas con monitoreo limitado (Texto tomado de la fuente).
Texto completo 43 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 10
- Planteamiento del problemap. 12
- Objetivosp. 14
- 1.1.1 Objetivo generalp. 14
- 1.1.2 Objetivos específicosp. 14
- Área de estudiop. 14
- Marco teórico y conceptualp. 16
- Teledetecciónp. 16
- Resolución espacialp. 16
- Resolución radiométricap. 16
- Resolución temporalp. 17
- Resolución espectralp. 17
- Procesamiento de imágenesp. 17
- Índices de vegetaciónp. 17
- Modelos de regresión de uso del suelop. 18
- 2.8.1 Regresión lineal múltiplep. 19
- 2.8.2 Regresión paso a paso (STW)p. 20
- 2.8.3 Regresión de mínimos cuadrados parciales (PLS)p. 20
- 2.8.4 Red neuronal artificial – Perceptrón multicapap. 21
- Coeficiente de determinaciónp. 22
- Coeficiente de determinación ajustadop. 22
- Criterio de información bayesianop. 23
- Valor p (p-value)p. 23
- Metodologíap. 25
- Selección de imágenes satelitalesp. 25
- Creación de matriz multivariadap. 25
- 3.2.1 Cálculo de índices de vegetación y extracción de valoresp. 25
- 3.2.2 Cálculo de promedio diario PMxp. 25
- 3.2.3 Matriz multivariadap. 26
- Modelos LURp. 26
- Resultadosp. 28
- Modelos LUR para la estimación de PMxp. 28
- Mapas de concentración de PMxp. 33
- Conclusionesp. 38
- Bibliografíap. 40
- información proporcionada por CDMB y AMB. Escala 1:100000p. 15
- Abirami & Chitra (2020)p. 21
- Teodoro, Torres, & Vivanco (2019) y modificado por el autorp. 27
- mediante validación cruzada: (a) PM10 y (b) PM2.5p. 29
- diciembre)p. 36
- diciembre)p. 36
- autorp. 18
- Tabla 4-1: Número de observaciones y predictores para construir los modelos LURp. 28
- Tabla 4-2: Modelos LUR para PM10 y PM2.5 con diferentes técnicas de regresiónp. 30