"Año del fortalecimiento de la soberanía nacional"

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

(Universidad del Perú, Decana de América)
FACULTAD DE INGENIERÍA ELECTRÓNICA Y ELÉCTRICA

Redes neuronales y la prevención de la contaminación

ambiental en Lima Metropolitana, 2021

ASESORA:
Mag. Landeo Minaya, Karina Lisbeth
INTEGRANTES:
Calderon Herrrera, Sarita Cristina
Espinoza Gutierrez, Milagros Alexandra
Esquivel Pardave, Daniel Edel
Gutierrez Tipula, Nicolle Esthefania Yudy
Ysique Quinteros, Luis Eduardo

Lima, Perú 2022

INTRODUCCIÓN:
LÍNEA DE
INVESTIGACIÓN

Inteligencia Artificial
 INTRODUCCIÓN A LA
MONOGRAFÍA
aspectos relevantes

TEMA

CENTRAL

ESTRUCTURA

METODOLOGÍA

LIMITACIONES

son las desarrollo de características

Redes neuronales
3 Capítulos
Enfoque

Desactualización

cualitativo de datos
para que abarca

Prevención
Revisión inexactitud
Problematización

sistemática estadística
de

contaminación

Marco Teórico

ambiental
en
ANN en la prevención
Lima de contaminación

Metropolitana
ambiental
CAPÍTULO I
PLANTEAMIENTO
DEL PROBLEMA:
 Objetivo
PROBLEMATIZACIÓN general

redes neuronales en la prevención

de la contaminación ambiental

Problema
general

relación entre de redes neuronales

y la prevención de la
contaminación
CAPÍTULO II
MARCO TEÓRICO
 ANTECEDENTES
INTERNACIONALES
 ANTECEDENTE 1
TIPO DE
10 CONCLUSIÓN
1 INFORMACIÓN
La importancia de nuevas fuentes de Artículo
energía
9 RESULTADO 2 TÍTULO

The Use of Artificial Neural

Relación con prácticas Networks to Analyze Greenhouse
mineras Gas and Air Pollutant Emissions
from the Mining and Quarrying
Sector in the European Union

AUTORES Y AÑOS
8 INSTRUMENTO/S 3 DE PUBLICACIÓN

Redes neuronales Jaroslaw Brodny &

artificiales de Kohonen Magdalena Tutak, 2020

7 MUESTRA 4 CIUDAD - PAÍS

Estructura y Polonia
volumen
TIPO-DISEÑO DE
6 INVESTIGACIÓN
5 OBJETIVOS

Cuanlitativo Prevención
 ANTECEDENTE 2
TIPO DE
10 CONCLUSIÓN 1 INFORMACIÓN
La utilidad beneficiosa de las Artículo
redes neuronales artificiales
2 TÍTULO
9 RESULTADO
Prediction of air quality in
Efectividad Shenzhen based on neural
network algorithm.

AUTORES Y AÑOS
8 INSTRUMENTO/S 3 DE PUBLICACIÓN

Redes neuronales artificiales Kuiying Gu, Yi zhou, Hui

(BP) y (SVM) sol, Lianming Zhao,
Shaokun Liu, 2019

7 MUESTRA 4 CIUDAD- PAÍS

Shenzhen-China Shenzhen-China
TIPO-DISEÑO DE
6 INVESTIGACIÓN
5 OBJETIVOS

Cuantitativo predicción
ANTECEDENTES
NACIONALES
 TIPO DE
10 CONCLUSIÓN 1 INFORMACIÓN
Efectividad de los modelos Artículo
MLP y LSTM.
2 TÍTULO
9 RESULTADO
Air quality assessment and
Eficiencia pollution forecasting using
artificial neural networks in
Metropolitan Lima-Perú

AUTORES Y AÑOS
8 INSTRUMENTO/S 3 DE PUBLICACIÓN
Cordova, C., Portocarrero,
Modelos de Perceptrón
M., Salas, R., Torres, R.,
Multicapa (MLP) y Memoria a Rodrigues, P., López-
Corto Plazo Largo (LSTM). Gonzales, J., 2020

7 MUESTRA 4 CIUDAD- PAÍS

Huachipa, Campo de Marte, Lima- Perú

Ate, Carabayllo y TIPO-DISEÑO DE
San Martin de 6 INVESTIGACIÓN 5 OBJETIVOS

Porres
Cualitativo Pronóstico
BASES TEÓRICAS
DESARROLLO
SOSTENIBLE

REDES NEURONALES
ARTIFICIALES

Origen

Funcionamiento
 CONCEPTOS

Contaminación Redes
ambiental neuronales
CAPÍTULO III
REDES NEURONALES Y LA PREVENCIÓN
DE LA CONTAMINACIÓN AMBIENTAL
EN LIMA METROPOLITANA
 Contextualización de la
Contaminación Ambiental

Causas Consecuencias

Densidad poblacional Cambio climatico

Emisiones de GEI Aumento de mortalidad

Predisposición a sufrir
Fuentes naturales
enfermedades
 CONTAMINACIÓN AMBIENTAL EN LIMA
METROPOLITANA

CONTAMINACIÓN CONTAMINACIÓN
NATURAL ANTROPOGÉNICA

CAUSAS

CONTAMINACIÓN CALIDAD DEL

ATMOSFÉRICA
AIRE
 REDES NEURONALES
ARTIFICIALES

DESVENTAJAS

BENEFICIOS

FUNCIONAMIENTO

IMPLEMENTACIÓN
CONCLUSIONES
 CONCLUSIONES

Contaminación Aplicación de las redes

Antecedentes
atmosférica en Lima neuronales

MUNDIALES NACIONALES
 REFERENCIAS
AQUAE FUNDACIÓN (2021) ¿Qué es la contaminación ambiental?.
https://www.fundacionaquae.org/wiki/causas-contaminacion-ambiental/

Asanza, W. R., & Olivo, B. M. (2018). Redes neuronales artificiales aplicadas al reconocimiento de patrones. Editorial
UTMACH.
https://www.researchgate.net/profile/Bertha-Mazon-
Olivo/publication/327703478_Capitulo_1_Generalidades_de_las_redes_neuronales_artificiales/links/5b9fe3c0299bf13e
6038a1d8/Capitulo-1-Generalidades-de-las-redes-neuronales-artificiales.pdf

Blanco. (2018). El ceibo (Ceiba sp.) como indicador de fuentes de contaminación atmosférica, en el distrito de
Chaclacayo, Lima, Perú. CYBERTESIS. https://doi.org/https://hdl.handle.net/20.500.12672/9717

Briggs D. (2003). Environmental pollution and the global burden of disease. British Medical Bulletin.
https://doi.org/10.1093/bmb/ldg019

Brodny, J. & Tutak, M. (2020). The Use of Artificial Neural Networks to Analyze Greenhouse Gas and Air Pollutant
Emissions from the Mining and Quarrying Sector in the European Union. Energies. https://doi.org/10.3390/en13081925

Browning, S., Beymer-Farris, B., & Seay, J. R. (2021). Addressing the challenges associated with plastic waste disposal
and management in developing countries. Current Opinion in Chemical Engineering, 32, 100682.
https://doi.org/10.1016/j.coche.2021.100682
Cordova, C. H., Portocarrero, M. N. L., Salas, R., Torres, R., Rodrigues, P. C., López-Gonzales, J. L. (2021) Air quality
assessment and pollution forecasting using artificial neural networks in Metropolitan Lima-Peru. Nature.
https://doi.org/10.1038/s41598-021-03650-9

Cordova, H., & Niño, M. (2022). Evaluación de la calidad del aire y predicción de la contaminación utilizando redes
neuronales artificiales recurrentes en Lima Metropolitana-Perú. Repositorio de Tesis UPEU.
https://doi.org/http://hdl.handle.net/20.500.12840/4837

Delgado Villanueva, A., & Loayza, A. A. (2020). Modelamiento y evaluación del nivel de calidad del aire mediante el
análisis de Grey Clustering, estudio de caso Lima Metropolitana. Revista TECNIA, 30(1).
http://www.scielo.org.pe/pdf/tecnia/v30n1/2309-0413-tecnia-30-01-114.pdf

Gu, K., Zhou, Y., Sun, H., Zhao, L., Liu, S.(2019) Prediction of air quality in Shenzhen based on neural network
algorithm. Neural Computing & Applications. https://doi.org/10.1007/s00521-019-04492-3

Ibáñez , A.(2021). Implementación de redes neuronales convolucionales en Field-Programmable Logic Arrays (Doctoral
dissertation, Universitad Politècnica de València).
https://humanizationoftechnology.com/modelos-predictivos-de-emergencia-de-malezas-uso- de-redes-neuronales-
artificiales/revista/2019/volumen-4-2019/09/2019/

Kumar, P., Druckman, A., Gallagher, J., Gatersleben, B., Allison, S., Eisenman, T. S., ... & Morawska, L. (2019). The
nexus between air pollution, green infrastructure and human health. Environment international, 133, 105181.
https://doi.org/10.1016/j.envint.2019.105181
Ma, J., Ding, Y., Cheng, J. C., Jiang, F., & Wan, Z. (2019). A temporal-spatial interpolation and extrapolation method
based on geographic Long Short-Term Memory neural network for PM2. 5. Journal of Cleaner Production, 237, 117729.
https://doi.org/10.1016/j.jclepro.2019.117729

Ministerio del Ambiente-MINAM (2020). Estudio: Diagnóstico de la Gestión de la Calidad Ambiental del Aire de Lima
y Callao. SINIA. https://sinia.minam.gob.pe/documentos/diagnostico-gestion-calidad-ambiental-aire-lima-callao

Niazkar, H. R., & Niazkar, M. (2020). Application of artificial neural networks to predict the COVID-19 outbreak.
Global Health Research and Policy, 5(1). https://doi.org/10.1186/s41256-020-00175-y

Ramírez Miranda, D., & Sáenz Arana, L. (2021). Impact of environmental pollution on the sustainable development of
lima metropolitana. MktDESCUBRE, 1(17), 43 - 53.
http://revistas.espoch.edu.ec/index.php/mktdescubre/article/view/579/573

Rojas, F. (2018). Modelación numérica del transporte de contaminantes atmosféricos y su relación con las condiciones
meteorológicas en Lima Metropolitana[ Tesis doctoral, Universidad Nacional Agraria La Molina]. Repositorio
institucional Universidad Nacional Agraria La Molina.
http://repositorio.lamolina.edu.pe/bitstream/handle/20.500.12996/3809/rojas-chavez-freddy-jesus.pdf?
sequence=1&isAllowed=y

Seng, D., Zhang, Q., Zhang, X., Chen, G., & Chen, X. (2021). Spatiotemporal prediction of air quality based on LSTM
neural network. Alexandria Engineering Journal, 60(2).
https://doi.org/10.1016/j.aej.2020.12.009
Sistema Metropolitano de Información Ambiental (2020). Estudiar la calidad del aire en nuestra ciudad puede salvar
vidas. SMIA https://smia.munlima.gob.pe/novedades/estudiar-la-calidad-del-aire-en-nuestra-ciudad-puede-salvar-vidas

Vasquez-Apestegui, B.V., Parras-Garrido, E., Tapia, V., Paz-Aparicio, V., Rojas J., Sanchez-Ccoyllo O. & Gonzales G.,
(2021). Association between air pollution in Lima and the high incidence of COVID-19: findings from a post hoc
analysis. BMC Public Health. https://doi.org/10.1186/s12889-021-11232-7