Predicción del pH y la DBO en el río Cauca utilizando técnicas de machine learning: anticipando cambios críticos de calidad

Cortés Montiel, Weimar; Sotelo de la Cruz, Daniel Alfonso

Predicción del pH y la DBO en el río Cauca utilizando técnicas de machine learning: anticipando cambios críticos de calidad

dc.contributor.advisor	Torres Valencia, Cristian Alejandro
dc.contributor.author	Cortés Montiel, Weimar
dc.contributor.author	Sotelo de la Cruz, Daniel Alfonso
dc.date.accessioned	2026-07-15T20:24:44Z
dc.date.available	2026-07-15T20:24:44Z
dc.date.issued	2026
dc.description.abstract	Dada la creciente preocupación por la calidad del agua en Colombia, este proyecto de maestría desarrolló modelos predictivos para estimar los niveles de pH y Demanda Bioquímica de Oxígeno (DBO) en el río Cauca, con énfasis en la cuenca alta, integrando técnicas de ciencia de datos y aprendizaje automático. El estudio partió del análisis y preprocesamiento de datos históricos oficiales, que incluyeron variables fisicoquímicas como pH, DBO, oxígeno disuelto, temperatura, conductividad y nutrientes. La metodología contempló la partición de los datos en conjuntos de entrenamiento y prueba (80-20 %), con validación cruzada repetida para garantizar la robustez de la evaluación. Se entrenaron y ajustaron modelos de regresión como Regresión Lineal Múltiple, Árboles de Decisión, Random Forest, Gradient Boosting (XGBoost), SVR y Perceptrón Multicapa (MLP), optimizados mediante Grid Search y Optuna. Su desempeño se evaluó con métricas como RMSE, MAE y R², así como mediante curvas de aprendizaje para detectar sobreajuste. Se estimaron con precisión los valores de pH y DBO del río Cauca, y mediante análisis SHAP se identificaron las variables fisicoquímicas de mayor incidencia: para la DBO, los sulfatos (mg SO₄/l), bicarbonatos (mg CaCO₃/l) y conductividad eléctrica (µS/cm) resultaron las más determinantes; para el pH, los nitratos (mg N-NO₃/l) y bicarbonatos (mg CaCO₃/l) concentraron la mayor contribución explicativa. El trabajo se centró en la ejecución técnica de los modelos, sin desarrollos externos ni visualizaciones interactivas. Se priorizó el análisis cuantitativo de los resultados, documentando el proceso completo y aportando evidencia sobre la aplicabilidad del aprendizaje automático en el monitoreo ambiental. Esta investigación fortaleció herramientas analíticas para la gestión del recurso hídrico local y ofrece una base metodológica replicable, útil como insumo académico o institucional, sin pretensión de implementación automatizada o en tiempo real.	spa
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ciencia de Datos
dc.format.extent	141 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	http://hdl.handle.net/11522/5676
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javeriana Cali
dc.publisher.department	Facultad de Ingeniería y Ciencias
dc.publisher.program	Maestría en Ciencia de Datos
dc.rights.accessrights	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.uri	https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subject	pH	spa
dc.subject	DBO (demanda bioquímica de oxígeno)	spa
dc.subject	Río Cauca	spa
dc.subject	Calidad del agua	spa
dc.subject	BOD (biochemical oxygen demand)	spa
dc.subject	Modelado predictivo	eng
dc.subject	Cauca River	eng
dc.subject	Water quality	eng
dc.subject	Predictive modeling	eng
dc.subject	Machine learning	eng
dc.title	Predicción del pH y la DBO en el río Cauca utilizando técnicas de machine learning: anticipando cambios críticos de calidad	spa
dc.type	master thesis
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dc.type.redcol	https://purl.org/redcol/resource_type/TM