Variables más influyentes en la calidad del agua del río Bogotá mediante análisis de datos
DOI:
https://doi.org/10.22335/rlct.v7i2.258Palabras clave:
análisis de datos, árbol de decisión, índice de calidad del agua (ICA), minería de datos variables de impactoResumen
En este documento se realiza el análisis de los datos sobre calidad del agua del río Bogotá correspondiente al periodo 2008-2015 proporcionados por la Corporación Autónoma Regional (CAR) de Cundinamarca, aplicando las diferentes fases de la minería de datos con el fin de comprobar si es posible la identificación de patrones de comportamiento y la definición de variables de mayor impacto en la calidad del agua de la Cuenca.
Descargas
Referencias
Castro, M., Almeida, J., Ferrer, J., & Diaz, D. (2014). Indicadores de la calidad del agua: evolución y tendencias a nivel global. Ingeniería Solidaria; Vol. 10, Núm. 17 http://doi.org/10.16925/in.v9i17.811
Chica, O., Galvis, N. & Madrid, J. (2007). Validación Métodos Analíticos en Aguas. Medellín., Validación.
Coronel-Picón, Y. R., Obregón-Neira, N., & Jiménez-Romero, G. L. (2012). Relationship Patterns between Biological Information and Physical and Socioeconomic Information. The Otun River Basin in Risaralda, Bogotá: UAN. 16.
Hernández Gómez, J. (2011). Inteligencia económica. Revista Logos Ciencia & Tecnología, 3(1), 37-55. doi:http://dx.doi.org/10.22335/rlct.v3i1.105
IDEAM. (2013). Hoja metodológica del indicador índice de calidad del agua. Bogotá: IDEAM, 11.
Marín Fonseca, R., Quintero Montenegro, D., & Medina Valencia, J. (2013). El rol de la gestión del conocimiento en la implementación de un Sistema Integrado de Gestión. Revista Logos Ciencia & Tecnología, 4(2), 33-41. doi:http://dx.doi.org/10.22335/rlct.v4i2.188
Medina Bejarano, R., & Pineda Torres, N. (2012). Globalización, tecnociencias y culturas relacionales. Revista Logos Ciencia & Tecnología, 4(1), 107-120. doi:http://dx.doi.org/10.22335/rlct.v4i1.173
Pourtaghi, Z. S., Pourghasemi, H. R., Aretano, R., & Semeraro, T. (2016). Investigation of general indicators influencing on forest fire and its susceptibility modeling using different data mining techniques. Ecological Indicators, 64, 72–84. http://doi.org/10.1016/j.ecolind.2015.12.030
Roland, E., Uhrmacher, A. & Saha, K. (2009). Data mining for simulation algorithm selection. Proceeding Simutools ‘09 Proceedings of the 2nd International Conference on Simulation Tools and Techniques, 14.
Rosado Gómez, A., & Verjel Ibáñez, A. (2015). Minería de datos aplicada a la demanda del transporte aéreo en Ocaña, Norte de Santander. Revista Tecnura, 19(45), 101-114. doi:http://dx.doi.org/10.14483/udistrital.jour.tecnura.2015.3.a08
Subdirecci C. A. R., Ambiental, D., & Rep, S. (2011). Boletín de calidad de las cuencas de la jurisdicción car 2011. Bogotá:CAR, 36p.
Tunjano Huerta, C., & Calvo Valencia, D. (2011). Evaluación de sustancias fitoprotectoras usadas como estrategia de neutralización de la acción del glifosato sobre cultivos de erythroxylum coca. Revista Logos Ciencia & Tecnología, 2(2), 26-31. doi:http://dx.doi.org/10.22335/rlct.v2i2.79
Vachaud, G., Chang, F.-J., Tsai, Y.-H., Chen, P.-A., & Coynel, A. (2015). Modeling water quality in an urban river using hydrological factors – Data driven approaches. Journal of Environmental Management, 151, 87–96. http://doi.org/http://dx.doi.org/10.1016/j.jenvman.2014.12.014
Vergel, M. Martínez, J. (2015). Filosofía gerencial seis sigma en la gestión universitaria. Revista Face, 15(2). 99-106
Publicado
Número
Sección
Licencia
Esta revista provee acceso libre e inmediato a su contenido (https://creativecommons.org/licenses/by-nc-nd/4.0/), bajo el principio de hacer disponible gratuitamente la investigación al público y apoyar a un mayor intercambio de conocimiento global.
