Predicción de avalúos catastrales en el municipio de Dagua, Valle del Cauca, utilizando modelos de aprendizaje automático

Marín Ochoa, Juan José; Hurtado Gonzáles, Estefanía

Predicción de avalúos catastrales en el municipio de Dagua, Valle del Cauca, utilizando modelos de aprendizaje automático

dc.contributor.advisor	Álvarez Vargas, Gloria Inés
dc.contributor.advisor	Linares Ospina, Diego Luis
dc.contributor.author	Marín Ochoa, Juan José
dc.contributor.author	Hurtado Gonzáles, Estefanía
dc.date.accessioned	2025-02-17T17:50:21Z
dc.date.available	2025-02-17T17:50:21Z
dc.date.issued	2025
dc.description.abstract	El avalúo catastral es un elemento clave en la gestión territorial, utilizado para calcular impuestos prediales y proporcionar información sobre el valor de las propiedades. En el municipio de Dagua, Valle del Cauca, el proceso de valoración catastral enfrenta retos relacionados con la falta de sistematización de datos y la dependencia de métodos manuales, lo que limita su precisión y actualización. Este trabajo desarrolla un modelo predictivo basado en técnicas de aprendizaje automático para mejorar la estimación de avalúos catastrales. Durante la investigación, se evaluaron ocho modelos supervisados, entre ellos Random Forest, K-Nearest Neighbors, Gradient Boosting Machines y Redes Neuronales, siendo Random Forest seleccionado por su desempeño destacado, con un coeficiente de determinación (R²) del 87,15 \% y métricas de error más bajas en comparación con los demás. El desarrollo metodológico incluyó la preparación de los datos, selección de características relevantes como el área del terreno, la zona geoeconómica y la manzana/vereda, y la optimización de hiperparámetros. Además, se implementó una interfaz gráfica diseñada para usuarios especializados, como funcionarios o técnicos en gestión catastral, quienes cuentan con acceso a la información requerida. Esta interfaz solicita datos específicos necesarios para realizar predicciones precisas, tales como características físicas del predio y su ubicación, asegurando así que las estimaciones sean útiles y relevantes en su contexto profesional. Los resultados muestran que la integración de aprendizaje automático en la valoración catastral puede mejorar la precisión y eficiencia del proceso, específicamente, el modelo Random Forest destacó por su desempeño en comparación con otros modelos evaluados. con un error absoluto medio (MAE) de 14.5M el modelo alcanzó un coeficiente de determinación (R²) de 87.15\%, indicando una alta capacidad para explicar la variabilidad de los valores catastrales en el conjunto de prueba, proporcionando un enfoque práctico y replicable en otros contextos territoriales.
dc.description.abstracteng	Cadastral appraisal is a key element in land management, used to calculate property taxes and provide information on property values. In the municipality of Dagua, Valle del Cauca, the cadastral appraisal process faces challenges related to the lack of data systematization and the dependence on manual methods, which limits its accuracy and updating. This work develops a predictive model based on machine learning techniques to improve the estimation of cadastral appraisals. During the research, eight supervised models were evaluated, including Random Forest, K-Nearest Neighbors, Gradient Boosting Machines, and Neural Networks, with Random Forest being selected for its outstanding performance, with a coefficient of determination (R²) of 87.15 \% and lower error metrics compared to the others. The methodological development included data preparation, selection of relevant features such as land area, geoeconomic zone, and block/village, and hyperparameter optimization. In addition, a graphical interface was implemented designed for specialized users, such as officials or technicians in cadastral management, who have access to the required informat This interface requests specific data necessary to make accurate predictions, such as physical characteristics of the property and its location, thus ensuring that the estimates are useful and relevant in their professional context. The results show that the integration of machine learning in cadastral valuation can improve the accuracy and efficiency of the process, specifically, the Random Forest model stood out for its performance compared to other models evaluated. With a mean absolute error (MAE) of 14.5M the model achieved a coefficient of determination (R²) of 87.15\%, indicating a high capacity to explain the variability of cadastral values in the test set, providing a practical and replicable approach in other territorial contexts.
dc.format.extent	79 p.
dc.format.mimetype	application/pdf
dc.identifier.uri	http://hdl.handle.net/11522/4467
dc.language.iso	spa
dc.publisher	Pontificia Universidad Javariana Cali
dc.publisher.faculty	Facultad de Ingeniería y Ciencias
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-nd/4.0/
dc.subject	Avalúo catastral
dc.subject	Aprendizaje automático
dc.subject	Random Forest
dc.subject	Regresión Lineal
dc.subject	Redes neuronales
dc.subject	Cadastral appraisal
dc.subject	Machine learning
dc.subject	Linear regression
dc.subject	Neural networks
dc.thesis.discipline	Facultad de Ingeniería y Ciencias. Ingeniería de Sistemas y Computación
dc.thesis.grantor	Pontificia Universidad Javeriana Cali
dc.thesis.level	Pregrado
dc.thesis.name	Ingeniero(a)de Sistemas y Computación
dc.title	Predicción de avalúos catastrales en el municipio de Dagua, Valle del Cauca, utilizando modelos de aprendizaje automático	spa
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.redcol	https://purl.org/redcol/resource_type/TP