Plataforma web de predicción de la calidad del aire para la gestión ambiental en entidad municipal utilizando modelos LSTM

• Autores: Alvarez Cadillo, Michell Adrian, Cadenas Gonzalez, Gonzalo Beltran
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/687680
• Enlace del recurso: http://hdl.handle.net/10757/687680
• Nivel de acceso: acceso abierto
• Materia: Calidad del Aire; Aprendizaje Automático; LSTM; Contaminación Ambiental; Sistema Predictivo; Air Quality; Machine Learning; Environmental Pollution; Predictive System; https://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#2.02.04

El presente estudio se orienta al diseño de un sistema predictivo para la evaluación de la calidad del aire, problemática de alta relevancia en Lima debido al reiterado incumplimiento de los estándares establecidos por la Organización Mundial de la Salud (OMS) y sus implicancias en la salud pública. Este proyecto pretende atender la falta de herramientas que permitan a la municipalidad disponer de información oportuna y confiable para la toma de decisiones vinculadas al Índice de Calidad del Aire (ICA). La solución propuesta es un sistema basado en técnicas de aprendizaje automático, específicamente utilizando una red neuronal Long Short Term Memory (LSTM) por su eficacia en el análisis de datos históricos y de series temporales. El objetivo es diseñar un modelo predictivo que determine con al menos un 70% de precisión los contaminantes PM2.5 y PM10. La metodología de desarrollo fue Scrum, y la implementación técnica se realizó con Python, TensorFlow, Keras, C#, Angular y servicios en la nube de Azure. Este sistema permitirá a la entidad municipal mejorar la toma de decisiones para mitigar la contaminación ambiental y avanzar hacia una ciudad más saludable y sostenible.