Resumen

La materia particulada con un diámetro menor a 10 micrómetros (PM10) es hoy en día un tema importante de estudio, principalmente debido a su creciente concentración y su impacto en el medio ambiente y la salud pública. Este artículo resume el uso de redes neuronales convolucionales (CNNs) para predecir las concentraciones de PM10 basándose en variables atmosféricas. En este caso de estudio particular, se exploró el uso de redes neuronales convolucionales profundas (tanto 1D como 2D) para investigar la viabilidad de estas técnicas en tareas de predicción. Además, en esta contribución, se utiliza un método de conjunto llamado Bagging (BEM) para mejorar la precisión del modelo de predicción. Por último, se utiliza una técnica bien conocida para la predicción de PM10, llamada perceptrón multicapa (MLP), como comparación para mostrar la viabilidad, precisión y robustez del modelo propuesto. En esta contribución, se encontró que las CNN superan a MLP, especialmente cuando se ejecutan utilizando modelos de conjunto.

• Materias:Virus informático Entropía del gráfico Modelo epidémico Modelo de optimización Modelos conceptuales
• Subjects:Computer virus Entropy of the graph Epidemic model Optimization model Conceptual models
• Palabras claves:Material particulado; Diámetro; PM10; Redes neuronales convolucionales; CNN; Pronóstico
• Keywords:Particulate matter; Diameter; PM10; Convolutional neural networks; CNNs; Forecast