[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-124334-es":3,"doc-seo-124334-110":30,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":20,"is_downloadable":20,"audit_status":20,"page_count":21,"language":22,"language_code":23,"site_id":24,"html_lang":23,"table_of_contents":25,"faqs":26,"seo_title":27,"seo_description":14,"update_tm":28,"read_time":29},124334,2336475104736,"Quinn","https://ap-avatar.wpscdn.com/avatar/22000c4c5e0e5b17e70?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786591360781797222",41,"Investigación e Informes","Modelos de machine learning para el análisis de calidad del agua y su contribución para la agricultura","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.","Universidad de Lima Facultad de Ingeniería Carrera de Ingeniería Industrial  \nMODELOS DE MACHINE LEARNING PARA ELANÁLISIS DE CALIDAD DEL AGUA Y SU CONTRIBUCIÓN PARA LAAGRICULTURA  \nTesis para optar el Título Profesional de Ingeniero Industrial  \nArtículo Científico  \nDaniel Francisco Delgado Pinedo  \nCódigo 20180581  \nSergio Alejandro Trujillo Vasquez  \nCódigo 20181918  \nAsesor  \nJorge Antonio Corzo Chávez  \nLima – Perú  \nJunio del 2025  \nMACHINE LEARNING MODELS FOR WATER QUALITY ANALYSIS AND THEIR CONTRIBUTION TO AGRICULTURE  \nTABLA DE CONTENIDO  \n1. INTRODUCCIÓN .................................................................................................................. ix  \n2. METODOLOGÍA .................................................................................................................. xv  \n3. RESULTADOS ..................................................................................................................... xx  \n4. DISCUSIÓN ....................................................................................................................... xxiv  \n5. CONCLUSIONES .............................................................................................................. xxvi  \n6. REFERENCIAS ................................................................................................................ xxvii  \nÍNDICE DE TABLAS  \nTabla 1.1 Estándares de calidad ambiental de las variables .......................................................... ix  \nTabla 2.1 Parámetros de calidad de agua ................................................................................... xviii  \nTabla 3.1 Resultados modelos de ML para OD y DBO................................................................ xx  \nTabla 3.2 Score de Parámetros-RF ............................................................................................ xxi  \nTabla 3.3 RReliefF de Parámetros-DT ..................................................................................... xxii  \nTabla 3.4 Score de Parámetros-MLR....................................................................................... xxiii  \nTabla 3.5 RReliefF de Parámetros-SVM ................................................................................. xxiii  \nTabla 3.6 RReliefF de Parámetros-ANN ................................................................................. xxiv  \nÍNDICE DE FIGURAS  \nFigura 1.1 Extensión del área de estudio ....................................................................................... xi  \nFigura 1.2 Árbol de Problemas ..................................................................................................... xii  \nFigura 2.1 Diagrama de metodología........................................................................................... xvi  \nFigura 2.2 Modelo de Tratamiento de Datos .............................................................................. xvii  \nFigura 2.3 Modelo de Identificación de Parámetros ................................................................... xvii  \nFigura 3.1 Score de Parámetros – XGBoost ................................................................................ xxi  \nModelos de machine learning para el análisis de calidad del agua y  \nsu contribución para la agricultura  \nAutores  \nDaniel Francisco Delgado Pinedo  \n[20180581@aloe.ulima.edu.pe](20180581@aloe.ulima.edu.pe)  \nSergio Alejandro Trujillo Vasquez  \n[20181918@aloe.ulima.edu.pe](20181918@aloe.ulima.edu.pe)  \nUniversidad de Lima  \nResumen: 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","cbCaigLFeLg8oRLx","https://ap.wps.com/l/cbCaigLFeLg8oRLx","pdf",907403,1,30,"Spanish","es",110,"# INTRODUCCIÓN\n# METODOLOGÍA\n# RESULTADOS\n# DISCUSIÓN\n# CONCLUSIONES\n# REFERENCIAS","[{\"question\":\"Qué metodología y herramientas se usan para el análisis con machine learning?\",\"answer\":\"Se utiliza la metodología CRISP-DM y la plataforma Orange para el modelado y la evaluación de distintos modelos de machine learning.\"},{\"question\":\"Qué modelos se comparan en el estudio?\",\"answer\":\"Se evalúan MLR, SVM, decision tree (DT), random forest (RF), artificial neural network (ANN) y XGBoost.\"},{\"question\":\"Cuáles son las variables con mayor relevancia para OD y DBO?\",\"answer\":\"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.\"}]","Modelos de machine learning para el análisis de calidad del agua y su contribución para la agricultura | PDF",1785821657,46,{"code":4,"msg":31,"data":32},"ok",{"site_id":24,"language":23,"slug":33,"title":13,"keywords":34,"description":14,"schema_data":35,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":28},"machine-learning-models-for-water-quality-analysis-and-their-contribution-to-agriculture","",{"@graph":36,"@context":86},[37,54,69],{"@type":38,"itemListElement":39},"BreadcrumbList",[40,44,48,51],{"item":41,"name":42,"@type":43,"position":20},"https://docshare.wps.com","Home","ListItem",{"item":45,"name":46,"@type":43,"position":47},"https://docshare.wps.com/es/document/","Document",2,{"item":49,"name":12,"@type":43,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":43,"position":53},"https://docshare.wps.com/es/document/machine-learning-models-for-water-quality-analysis-and-their-contribution-to-agriculture/124334/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":23,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":41,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Qué metodología y herramientas se usan para el análisis con machine learning?","Question",{"text":76,"@type":77},"Se utiliza la metodología CRISP-DM y la plataforma Orange para el modelado y la evaluación de distintos modelos de machine learning.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué modelos se comparan en el estudio?",{"text":81,"@type":77},"Se evalúan MLR, SVM, decision tree (DT), random forest (RF), artificial neural network (ANN) y XGBoost.",{"name":83,"@type":74,"acceptedAnswer":84},"Cuáles son las variables con mayor relevancia para OD y DBO?",{"text":85,"@type":77},"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.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":24},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":46,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":46,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":46,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":46,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":46,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":46,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":46,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":46,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":46,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":46,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]