Aprendizaje automático aplicado a la detección de microplásticos
Mostrar el registro completo del ítem
Título: Aprendizaje automático aplicado a la detección de microplásticos
Autor: Serna Carrillo, Juliana
Resumen:
[ES] Los microplásticos, son pequeñas partículas plásticas que se encuentran compuestos principalmente de polímeros como polietileno, polipropileno y tereftalato de polietileno. La alta presencia de microplásticos en el medio ambiente provenientes de diversas fuentes como los procesos de tratamiento y filtrado de aguas residuales, representan un riesgo significativo para la salud humana y ambiental. Este trabajo se centra en la identificación y clasificación de microplásticos utilizando técnicas de aprendizaje automático como las redes neuronales, el algoritmo de k- vecinos más cercanos y los bosques aleatorios, implementados mediante el software R y con una base de datos de 5994 observaciones y 23 variables.Los resultados obtenidos durante el trabajo subrayan la importancia de la calidad de los datos y el equilibrio de observaciones en el entrenamiento de los modelos, así como la mejora que se obtiene con la mezcla de modelos de aprendizaje automático y técnicas clásicas de clasificación de microplásticos como la espectroscopia.
[EN] Microplastics are small plastic particles primarily composed of polymers such as polyethylene, polypropylene, and polyethylene terephthalate. The high presence of microplastics in the environment, originating from various sources such as wastewater treatment and filtration processes, poses a significant risk to human and environmental health. This study focuses on the identification and classification of microplastics using machine learning techniques, including neural networks, the k-nearest neighbors algorithm, and random forests, implemented through the caret function in R software. The analysis was conducted on a dataset consisting of 5994 observations and 23 variables, with 2.014 observations labeled with their corresponding material. The results highlight the importance of data quality and observation balance in model training, as well as the improvements achieved by combining machine learning models with traditional microplastic classification techniques such as spectroscopy.
[ES] Los microplásticos, son pequeñas partículas plásticas que se encuentran compuestos principalmente de polímeros como polietileno, polipropileno y tereftalato de polietileno. La alta presencia de microplásticos en el medio ambiente provenientes de diversas fuentes como los procesos de tratamiento y filtrado de aguas residuales, representan un riesgo significativo para la salud humana y ambiental. Este trabajo se centra en la identificación y clasificación de microplásticos utilizando técnicas de aprendizaje automático como las redes neuronales, el algoritmo de k- vecinos más cercanos y los bosques aleatorios, implementados mediante el software R y con una base de datos de 5994 observaciones y 23 variables.Los resultados obtenidos durante el trabajo subrayan la importancia de la calidad de los datos y el equilibrio de observaciones en el entrenamiento de los modelos, así como la mejora que se obtiene con la mezcla de modelos de aprendizaje automático y técnicas clásicas de clasificación de microplásticos como la espectroscopia.
[EN] Microplastics are small plastic particles primarily composed of polymers such as polyethylene, polypropylene, and polyethylene terephthalate. The high presence of microplastics in the environment, originating from various sources such as wastewater treatment and filtration processes, poses a significant risk to human and environmental health. This study focuses on the identification and classification of microplastics using machine learning techniques, including neural networks, the k-nearest neighbors algorithm, and random forests, implemented through the caret function in R software. The analysis was conducted on a dataset consisting of 5994 observations and 23 variables, with 2.014 observations labeled with their corresponding material. The results highlight the importance of data quality and observation balance in model training, as well as the improvements achieved by combining machine learning models with traditional microplastic classification techniques such as spectroscopy.
URI: http://hdl.handle.net/10251/211539
Fecha: 2024-11-10
Relacionado
Ítems en Google Scholar
Ficheros en el ítem
