Monitoreo de calidad de agua y predicción de coliformes fecales en playas de Montevideo mediante algoritmos de aprendizaje automático;
Previsão da qualidade da água usando algoritmos de inteligência artificial em praias recreativas de Montevidéu-Uruguai

dc.creatorSegura, Ángel
dc.creatorSampognaro, Lía
dc.creatorLópez, Guzmán
dc.creatorCrisci, Carolina
dc.creatorBourel, Mathías
dc.creatorVidal, Victoria
dc.creatorEirin, Karina
dc.creatorPiccini, Claudia
dc.creatorKruk, Carla
dc.creatorPerera, Gonzalo
dc.date2021-10-18
dc.date.accessioned2023-08-24T21:14:37Z
dc.date.available2023-08-24T21:14:37Z
dc.identifierhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555
dc.identifier10.26461/22.07
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8426826
dc.descriptionWe constructed artificial intelligence (AI) models to predict faecal water quality (CF) to aid management in recreational beaches. Historical data base generated by the Laboratorio de Calidad Ambiental de la Intendencia de Montevideo (IM) was analized and AI models wwere constructed to predict CF excess (CF >2.000). Ten years of monitoring 21 recreational beaches (N=19359, november 2009 to september 2019) presented a wide range of salinity and turbidity variability among beaches. CF showed an asymetric distribution (min=4, median=250, average=1.047 and máx=1.280.000) with values exceeding the threshold in all beaches. In situ registered, meteorological and oceanographic variables were used to train AI models. A stratified random forest showed the best performance in the evaluated metrics with an overall accuracy of 86% and 60% of improvement in true positive rates with respect to baseline. High quality data generated by govermental institution together with modeling strategies provided a relevant framework to aid in beach and public health management.en-US
dc.descriptionEn este trabajo se construyeron modelos de predicción de coliformes fecales (CF) para su aplicación a la gestión de calidad de agua en playas recreativas. Se análizó la base de datos histórica del monitoreo de CF en playas realizado por el Laboratorio de Calidad Ambiental de la Intendencia de Montevideo (IM), y se generaron modelos basados en inteligencia artificial (IA) para predecir excesos (CF >2.000). Los datos abarcan 10 años de monitoreo en 21 playas de la capital (N=19359, noviembre 2009 a setiembre 2019) y presentan un amplio rango de salinidad y turbidez, con marcadas diferencias entre playas. Los CF presentaron una distribución asimétrica (min=4, mediana=250, media=1.047 y máx=1.280.000) con excesos a la normativa en todas las playas. Las variables registradas in situ, meteorológicas y oceanográficas fueron utilizadas para entrenar modelos de IA. El mejor modelo fue un bosque aleatorio estratificado con un porcentaje de acierto para los excesos de 86%. La predicción de excesos mejoró un 60% respecto al criterio actual de cierre de playas las 24 hs posteriores a precipitaciones. La generación de datos de calidad por parte de la IM junto con estrategias de modelización inteligente resultan en un insumo relevante para la gestión de playas recreativas.es-ES
dc.descriptionConstruímos modelos de inteligência artificial (IA) para prever a qualidade da água para auxiliar o gerenciamento em praias recreativas. A base de dados históricos gerada pelo Laboratório de Qualidade Ambiental da Intendência de Montevidéu (IM) foi analisada e modelos de IA foram construídos para prever o excesso de coliformes fecais (CF> 2.000). Dez anos de monitoramento de 21 praias de lazer (N = 19359, novembro de 2009 a setembro de 2019) apresentaram uma ampla gama de variabilidade de salinidade e turbidez entre as praias. O CF mostrou uma distribuição assimétrica (min = 4, mediana = 250, média = 1,047 e máx = 1.280.000) com valores acima do limiar em todas as praias. Registradas in situ, variáveis ​​meteorológicas e oceanográficas foram usadas para treinar modelos de IA. Uma floresta aleatória estratificada mostrou o melhor desempenho nas métricas avaliadas, com uma precisão geral de 86% e 60% de melhoria nas taxas positivas verdadeiras em relação à linha de base. Dados de alta qualidade gerados por instituições governamentais, juntamente com estratégias de modelagem, forneceram uma estrutura relevante para auxiliar na gestão de praias e saúde pública.pt-BR
dc.formatapplication/pdf
dc.formattext/html
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.formatimage/jpeg
dc.languagespa
dc.publisherLaboratorio Tecnológico del Uruguay - LATUes-ES
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1198
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1199
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1200
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1201
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1202
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1203
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1204
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1205
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1206
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1207
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1208
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1209
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1210
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1211
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1212
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1213
dc.relationhttps://ojs.latu.org.uy/index.php/INNOTEC/article/view/555/1214
dc.rightsDerechos de autor 2021 Ángel Segura, Lía Sampognaro, Guzmán López, Carolina Crisci, Mathías Bourel, Victoria Vidal, Karina Eirin, Claudia Piccini, Carla Kruk, Gonzalo Pereraes-ES
dc.rightshttp://creativecommons.org/licenses/by-nc/4.0es-ES
dc.sourceINNOTEC; No. 22 jul-dic (2021): INNOTEC; e555en-US
dc.sourceINNOTEC; Núm. 22 jul-dic (2021): INNOTEC; e555es-ES
dc.source1688-6593
dc.source1688-3691
dc.subjectrandom forestsen-US
dc.subjectunbalanced dataen-US
dc.subjectcontaminationen-US
dc.subjectrecreational beachen-US
dc.subjecthuman healthen-US
dc.subjectbosques aleatorioses-ES
dc.subjectdatos desbalanceadoses-ES
dc.subjectcontaminaciónes-ES
dc.subjectplayas recreativases-ES
dc.subjectsalud humanaes-ES
dc.subjectfloresta aleatóriapt-BR
dc.subjectdados não balanceadospt-BR
dc.subjectcontaminaçãopt-BR
dc.subjectpraia recreativapt-BR
dc.subjectsaúde humanapt-BR
dc.titleWater quality prediction using machine learning algorithms in recreational beaches from Montevideo, Uruguayen-US
dc.titleMonitoreo de calidad de agua y predicción de coliformes fecales en playas de Montevideo mediante algoritmos de aprendizaje automáticoes-ES
dc.titlePrevisão da qualidade da água usando algoritmos de inteligência artificial em praias recreativas de Montevidéu-Uruguaipt-BR
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeArtículo revisado por pareses-ES


Este ítem pertenece a la siguiente institución