El dilema de los cúmulos de Residuos Sólidos Urbanos (RSU) no se limita a un sector en específico, sino que afecta a distintas regiones del país, por ello, el hombre ha buscado soluciones; sin embargo, no han logrado su erradicación en su totalidad. En ese sentido, esta investigación busca identificar y analizar los sectores propensos a experimentar la acumulación de residuos sólidos (RS), a partir de actividades gestionadas por la población. Para entender este comportamiento, se utilizó un algoritmo de aprendizaje automático (i.e., Random forest). Los datos fueron recolectados mediante una encuesta a los pobladores de dos comunidades del sector de Copacabana: la primera Asoc. Sta. Juana de Copacabana y la segunda Asoc. Los Frutales del Norte Etapa 1, ambas ubicadas en Puente Piedra en la Provincia de Lima (Perú). Cabe recalcar que las encuestas estuvieron basadas en una prop...

El aumento de residuos sólidos (RS) en todo el planeta se ha convertido en un problema difícil de controlar y es necesario entender el porqué de esta situación para, minimizar los efectos irreversibles al ambiente en especial en países sub desarrollados. Perú no es ajeno a la generación de cúmulos de RS en espacios públicos, puesto que los métodos de gestión usados por las municipalidades no son eficientes en su totalidad. Esta problemática se pretende entender a través de unos indicadores sociales categorizados en sociodemográfico, socioeconómico y sociocultural de una comunidad especifica en estudio. Para, comprender la dependencia entre la generación de los RS, los indicadores son seleccionados según su relevancia. Asimismo, es necesario georefenciar los puntos críticos de una determinada población, para que sirva de apoyo a las municipalidades a la hora de definir ...

In the last decades, the accumulation of municipal solid waste in urban areas has become a latent concern in our society due to its implications for the exposed population and the possible health and environmental issues it may cause. In this sense, this research study contributes to the timely identification of these sectors according to the anthropogenic characteristics of their residents as dictated by 10 social indicators (i.e., age, education, income, among others) sorted into three assessment categories (sociodemographic, sociocultural, and socioeconomic). Then, the data collected was processed and analyzed using two machine learning algorithms (random forest (RF) and logistic regression (LR)). The primary information that fed the machine learning model was collected through field visits and local/national reports. For this research, the Puente Piedra and Chaclacayo districts, both...