Modelos de machine learning para el análisis de calidad del agua y su contribución para la agricultura

Aug 4, 2026

Subir por Quinn

El trabajo aplica modelos de machine learning para identificar los parámetros que influyen en la calidad del agua en la cuenca del río Chancay-Lambayeque, centrando el análisis en su impacto sobre la agricultura. Se emplea la metodología CRISP-DM y la plataforma Orange para modelado y evaluación de MLR, SVM, DT, RF, ANN y XGBoost. Los modelos se comparan con R2, MAE, MSE y RMSE, destacando el desempeño de Random Forest, Decision Tree y ANN para OD, y resultados superiores para DBO. La importancia de atributos señala como variables relevantes el cadmio y fósforo total, así como boro, litio, nitrógeno total y cromo total.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas30

Tiempo de lectura46 min

AccesoGratis para descargar

Tabla de contenidos

INTRODUCCIÓN

METODOLOGÍA

RESULTADOS

DISCUSIÓN

CONCLUSIONES

REFERENCIAS

Universidad de Lima Facultad de Ingeniería Carrera de Ingeniería Industrial MODELOS DE MACHINE LEARNING PARA ELANÁLISIS DE CALIDAD DEL AGUA Y SU CONTRIBUCIÓN PARA LAAGRICULTURA Tesis para optar el Título Profesional de Ingeniero Industrial Artículo Científico Daniel Francisco Delgado Pinedo Código 20180581 Sergio Alejandro Trujillo Vasquez Código 20181918 Asesor Jorge Antonio Corzo Chávez Lima – Perú Junio del 2025 MACHINE LEARNING MODELS FOR WATER QUALITY ANALYSIS AND THEIR CONTRIBUTION TO AGRICULTURE TABLA DE CONTENIDO 1. INTRODUCCIÓN .................................................................................................................. ix 2. METODOLOGÍA .................................................................................................................. xv 3. RESULTADOS ..................................................................................................................... xx 4. DISCUSIÓN ....................................................................................................................... xxiv 5. CONCLUSIONES .............................................................................................................. xxvi 6. REFERENCIAS ................................................................................................................ xxvii ÍNDICE DE TABLAS Tabla 1.1 Estándares de calidad ambiental de las variables .......................................................... ix Tabla 2.1 Parámetros de calidad de agua ................................................................................... xviii Tabla 3.1 Resultados modelos de ML para OD y DBO................................................................ xx Tabla 3.2 Score de Parámetros-RF ............................................................................................ xxi Tabla 3.3 RReliefF de Parámetros-DT ..................................................................................... xxii Tabla 3.4 Score de Parámetros-MLR....................................................................................... xxiii Tabla 3.5 RReliefF de Parámetros-SVM ................................................................................. xxiii Tabla 3.6 RReliefF de Parámetros-ANN ................................................................................. xxiv ÍNDICE DE FIGURAS Figura 1.1 Extensión del área de estudio ....................................................................................... xi Figura 1.2 Árbol de Problemas ..................................................................................................... xii Figura 2.1 Diagrama de metodología........................................................................................... xvi Figura 2.2 Modelo de Tratamiento de Datos .............................................................................. xvii Figura 2.3 Modelo de Identificación de Parámetros ................................................................... xvii Figura 3.1 Score de Parámetros – XGBoost ................................................................................ xxi Modelos de machine learning para el análisis de calidad del agua y su contribución para la agricultura Autores Daniel Francisco Delgado Pinedo [20180581@aloe.ulima.edu.pe](20180581@aloe.ulima.edu.pe) Sergio Alejandro Trujillo Vasquez [20181918@aloe.ulima.edu.pe](20181918@aloe.ulima.edu.pe) Universidad de Lima Resumen: El presente trabajo aplica modelos de machine learning para analizar los parámetros que influyen en la calidad del agua en la cuenca del río Chancay - Lambayeque, con especial énfasis en su impacto sobre la agricultura. Se utilizó la metodología CRISP-DM, empleando la plataforma Orange para el modelado y evaluación de distintos modelos de machine learning (multiple linear regression (MLR), support vector machine (SVM), decision tree (DT), random f

Preguntas frecuentes

Qué metodología y herramientas se usan para el análisis con machine learning?

Se utiliza la metodología CRISP-DM y la plataforma Orange para el modelado y la evaluación de distintos modelos de machine learning.

Qué modelos se comparan en el estudio?

Se evalúan MLR, SVM, decision tree (DT), random forest (RF), artificial neural network (ANN) y XGBoost.

Cuáles son las variables con mayor relevancia para OD y DBO?

Para el oxígeno disuelto (OD) destacan cadmio y fósforo total; para la demanda bioquímica de oxígeno (DBO) son relevantes nitrógeno total y cromo total, según análisis de importancia de atributos.

Aug 4, 2026

Subir por Quinn