Publicación: Aplicación de técnicas de machine learning para la predicción del consumo hídrico en la ciudad de Bogotá
| dc.contributor.advisor | Moreno Amaya, Lizeth Andrea | |
| dc.contributor.author | Rios Cuentas, Luis miguel | |
| dc.contributor.author | Grisales Henao, Xiomara | |
| dc.contributor.author | Callejas Cardozo, Javier | |
| dc.contributor.researchgroup | Ciencia, tecnología e innovación::Ciencias básicas Miguel Ángel González Curbelo Categoría A COL0036553 | |
| dc.creator.id | 1098604225 | |
| dc.creator.id | 1144207954 | |
| dc.creator.id | 85273201 | |
| dc.date.accessioned | 2026-11-19T16:14:08Z | |
| dc.date.issued | 2026-10-22 | |
| dc.description.abstract | Este trabajo de grado analiza el consumo hídrico en la ciudad de Bogotá en un contexto de creciente presión sobre las fuentes de abastecimiento, como los sistemas de Chingaza y Sumapaz, así como de variabilidad climática asociada a fenómenos como El Niño. Como antecedentes, se consideran la crisis hídrica de 2024-2025 y las diferencias en patrones de consumo entre localidades, evidenciando la necesidad de estudios basados en datos a gran escala. El objetivo principal consistió en desarrollar y validar modelos predictivos basados en técnicas de Machine Learning (ML) para estimar el consumo promedio de agua por localidad y periodo bimestral en la ciudad de Bogotá, mediante la integración de variables climáticas, temporales y espaciales. La metodología fue cuantitativa e incluyó análisis descriptivo, depuración de datos, identificación de valores atípicos, modelado predictivo y evaluación del desempeño frente a modelos de referencia. Se implementaron redes neuronales profundas y XGBoost, cuyo desempeño se evaluó mediante tres estrategias complementarias de validación: partición aleatoria, validación temporal con entrenamiento en 2020-2023 y prueba en 2024, y validación espacial Leave-One-Localidad-Out (LOLO). Los resultados evidencian que el consumo hídrico presenta alta variabilidad y una marcada dependencia territorial. Bajo partición aleatoria, XGBoost con variables espaciales alcanzó un R² de 0,8917; sin embargo, las validaciones temporal y espacial demostraron que ese desempeño corresponde a interpolación dentro de las localidades ya observadas y no a capacidad predictiva generalizable. Un modelo entrenado únicamente con latitud y longitud, sin ninguna variable climática, alcanzó un R² de 0,7950, lo que evidencia que las coordenadas operan como identificadores territoriales. En la prueba temporal de 2024 el modelo fue superado por un modelo de referencia basado en la media histórica por localidad y bimestre, y en la validación LOLO solo 4 de las 20 localidades alcanzaron un R² positivo. En consecuencia, los resultados no aportaron evidencia suficiente para respaldar la hipótesis planteada bajo las estrategias de validación temporal y espacial. El principal aporte del estudio es metodológico: demuestra que la validación espacial y temporal resulta indispensable para distinguir la interpolación territorial de la capacidad real de generalización, y que los patrones históricos por localidad y bimestre constituyen una línea base difícil de superar. Se recomienda avanzar hacia estudios con mayor resolución espacial y temporal que fortalezcan la gestión del recurso, en concordancia con el Objetivo de Desarrollo Sostenible ODS 6. | |
| dc.description.abstract | This thesis analyzes water consumption in the city of Bogotá within a context of increasing pressure on water sources, such as the Chingaza and Sumapaz systems, as well as climate variability associated with phenomena like El Niño. The study considers the 2024-2025 water crisis and the differences in consumption patterns between different localities, highlighting the need for large-scale data-driven studies. The main objective was to develop and validate predictive models based on Machine Learning (ML) techniques to estimate average water consumption per locality and two-month period in the city of Bogotá, by integrating climatic, temporal, and spatial variables. The methodology was quantitative and included descriptive analysis, data cleaning, outlier identification, predictive modeling, and performance evaluation against reference models. Deep neural networks and XGBoost were implemented, and their performance was evaluated using three complementary validation strategies: random partitioning, temporal validation with training in 2020–2023 and testing in 2024, and Leave-One-Location-Out (LOLO) spatial validation. The results show that water consumption exhibits high variability and a marked territorial dependence. Under random partitioning, XGBoost with spatial variables achieved an R² of 0.8917; however, temporal and spatial validations demonstrated that this performance corresponds to interpolation within the already observed locations and not to generalizable predictive capacity. A model trained solely with latitude and longitude, without any climatic variables, achieved an R² of 0.7950, demonstrating that the coordinates function as territorial identifiers. In the 2024 time-test, the model was outperformed by a reference model based on the historical average per locality and two-month period, and in the LOLO validation, only 4 of the 20 localities achieved a positive R². Consequently, the results did not provide sufficient evidence to support the hypothesis proposed under the temporal and spatial validation strategies. The study's main contribution is methodological: it demonstrates that spatial and temporal validation is essential to distinguish territorial interpolation from the actual capacity for generalization, and that historical patterns per locality and two-month period constitute a baseline that is difficult to surpass. Further studies with higher spatial and temporal resolution are recommended to strengthen resource management, in accordance with Sustainable Development Goal 6 (SDG 6). | eng |
| dc.description.degreelevel | Maestría | |
| dc.description.degreename | Magíster en Ciencias de Datos | spa |
| dc.description.researcharea | CIENCIA, TECNOLOGÍA E INNOVACIÓN::TECNOLOGICO ONTARE MAIRA ALEJANDRA GARCIA JARAMILLO Categoría A1 COL0026879::Tecnología de la información y comunicaciones | |
| dc.description.tableofcontents | Lista de Figuras 10 Lista de Tablas 11 Introducción 12 1. Objetivos 15 1.1 Objetivo General 15 1.2 Objetivos Específicos 15 2. Justificación 16 3. Marco Teórico 19 3.1 Variabilidad Climática, Sequía y Estrés Hídrico en Bogotá 20 3.2 Consumo Hídrico Residencial: Factores Climáticos, Temporales, Espaciales y Socioeconómicos 21 3.3 Machine Learning Aplicado a la Predicción Hídrica 24 3.4 Modelos Climáticos e Hidrológicos Basados en Machine Learning 26 3.5 Preprocesamiento, Selección de Variables y Calidad de Datos 28 3.6 IoT, Smart Water Systems y Detección de Anomalías 29 3.7 Evaluación de Modelos: Métricas, Validación y Explicabilidad 30 3.8 Gerencia de Proyectos en el Desarrollo de Modelos Predictivos 32 3.9 Vacíos Teóricos y Aporte del Estudio 35 4. Hipótesis 36 5. Variables 37 5.1 Clasificación de las Variables 37 5.1.1 Variable Objetivo 37 5.1.2 Variables Predictoras 37 5.2 Definición Conceptual y Operacional de las Variables 38 6. Metodología 42 6.1 Enfoque de la Investigación 42 6.2 Alcance de la Investigación 43 6.3 Diseño de la Investigación 44 6.4 Fases de la Investigación 45 6.4.1 Fase 1. Identificación y Selección de Variables Asociadas al Consumo Hídrico 45 6.4.2 Fase 2. Construcción de Modelos Predictivos de Machine Learning 46 6.4.3 Fase 3. Validación y Evaluación del Desempeño Predictivo 48 6.5 Integración de la Gerencia de Proyectos en el Desarrollo de la Investigación. 48 6.5.1 Gestión de los Interesados 49 6.5.2 Gestión de Riesgos, Calidad y Seguimiento 50 6.6 Población y Muestra 52 6.7 Instrumentos de Recolección de Información 52 6.8 Validación de los Instrumentos y Control de Calidad de la Información 53 6.9 Técnicas para el Análisis de la Información 54 6.9.1 Análisis Descriptivo 54 6.9.2 Análisis Exploratorio de Datos 54 6.9.3 Modelado Predictivo 55 6.9.4 Evaluación de Desempeño 55 6.10 Herramientas Computacionales Utilizadas 55 6.11 Consideraciones Éticas 55 7. Trabajo de Campo 57 7.1 Caracterización e Integración de la Información 57 7.2 Preparación y Calidad de los Datos 60 7.2.1 Verificación de la Calidad de los Datos 61 7.2.2 Tratamiento de Valores Faltantes y Valores Atípicos 62 7.2.3 Tratamiento de los registros anómalos de Sumapaz 65 7.2.4 Transformación de Variables 66 7.3 Análisis Exploratorio de los Datos (EDA) 66 7.3.1 Caracterización Estadística de la Muestra (Análisis Descriptivo) 68 7.3.2 Dimensión Comercial y de Consumo 68 7.3.3 Análisis de la dispersión y "desfases" comerciales 69 7.3.3.1 Heterogeneidad entre localidades 69 7.3.3.2 Distribución del consumo promedio 69 7.3.4 Dimensión Climática, Atmosférica y de Suelo (NASA POWER) 70 7.3.5 Análisis de las variables climáticas y su estacionalidad 71 7.3.5.1 Estabilidad Térmica 71 7.3.5.2 El desfase en las Lluvias (PRECTOTCORR_SUM) 71 7.3.5.3 Humedad del Suelo y el factor macro (ONI) 71 7.3.6 Análisis detallado de la variable objetivo y métricas de demanda 71 7.3.7 Análisis Temporal y Distributivo del Consumo Hídrico en Bogotá (2020-2024) 72 7.3.7.1 Periodo de Estabilidad y Fluctuación Estacional (2020 - 2023) 73 7.3.7.2 El Impacto de la pandemia (2020) 73 7.3.7.3 La regularidad entre 2021 y 2023 73 7.3.7.4 El Comportamiento Atípico de Sumapaz en 2022 74 7.3.7.5 La Anomalía Crítica de 2024 74 7.3.8 Centralización Geográfica de la Demanda en la Crisis 75 7.3.9 Análisis de Distribución, Formas y Valores Atípicos (EDA Visual) 75 7.3.9.1 Forma y Dispersión de la Variable Objetivo (consumo promedio) 75 7.3.9.2 Comportamiento Estructural de la Demanda Global (metros cúbicos) 77 7.3.9.3 Comportamiento del consumo frente a la dinámica de usuarios y facturación 80 7.3.9.4 Crecimiento Vegetativo de la Base de Usuarios y Capacidad de Medición 80 7.3.9.5 Contraste Temporal y Evidencia del Choque Estructural en el Consumo 82 7.3.9.6 Periodo de Estabilidad Estacionaria (2020 - Bimestre 3, 2024) 83 7.3.9.7 Punto de Inflexión y Ruptura Estructural (Bimestre 4, 2024 en adelante) 83 7.3.10 Análisis de Variables Climatológicas y su relación con la Demanda Hídrica 83 7.3.10.1 Régimen de Precipitación y Disponibilidad Hídrica 84 7.3.10.2 Perfil de Temperatura y Confort Térmico 85 7.3.10.3 Dinámica de la Humedad Relativa y Evapotranspiración 87 7.3.10.4 Balance Energético mediante Radiación Solar 88 7.3.10.5 Dinámica de la Velocidad del Viento 89 7.3.10.6 Estado Edáfico: Humedad del Suelo Superficial y Profundo 90 7.3.11 Análisis de Distribución Espacial y Caracterización por Localidad 91 7.3.11.1 Asimetría entre la Base Operativa y el Consumo Agregado 92 7.3.11.2 La Paradoja de Sumapaz: Análisis de la Variable Objetivo 94 7.3.12 Análisis de la distribución espacial del consumo hídrico por localidad 96 7.3.13 Comportamiento del Casco Urbano Consolidado 96 7.3.14 Análisis de Correlaciones y Dependencias Lineales Multi-Variable 97 7.3.14.1 El Núcleo de la Demanda Hídrica y la Redundancia Multicolineal Comercial 97 7.3.14.2 Ortogonalidad y Aislamiento Estadístico de la Variable Objetivo 98 7.3.14.3 Dinámica y Sincronización del Sistema Meteorológico 100 7.3.14.4 El Impacto Climático Marginal en el Modelo Lineal 100 7.3.15 Implicaciones metodológicas para el Modelo Predictivo del EDA 101 7.3.16 Prevención de Fuga de Información (Data Leakage) 103 7.4 Identificación de Variables Relevantes 104 7.5 Diseño de Modelos Predictivos de Machine Learning 106 7.5.1 Formulación del Problema Predictivo 106 7.5.2 Modelo de Redes Neuronales Profundas 107 7.5.2.1 Arquitectura del Modelo 108 7.5.2.2 Entrenamiento del Modelo 109 7.5.2.3 Resultados Obtenidos 109 7.5.3 Modelo Basado en XGBoost 111 7.5.3.1 Configuración Inicial del Modelo 111 7.5.3.2 Optimización del Modelo 112 7.5.3.3 Resultados Obtenidos 112 7.5.4 Comparación y Selección del Modelo Predictivo Final 115 7.6 Validación y Evaluación del Desempeño Predictivo 117 7.6.1 Métricas de Evaluación 118 7.6.2 Evaluación del Desempeño de los Modelos 119 7.6.3 Validación de la Capacidad de Generalización 120 7.7 Síntesis del Trabajo de Campo 123 8. Discusión 124 8.1 Relación entre Variables y Consumo Hídrico 124 8.2 Importancia de los Componentes Espaciales 126 8.3 Implicaciones para la Gestión del Recurso Hídrico en Bogotá 126 8.4 Alcances y Limitaciones Metodológicas 128 8.5 Alcances y Limitaciones Metodológicas 130 9. Conclusiones y Trabajo Futuro 132 Referencias 138 Anexos 145 Anexo A: Repositorio Digital de Código, Datos y Resultados Complementarios 145 | |
| dc.format | ||
| dc.format.extent | 153 paginas | |
| dc.format.medium | Recurso electrónico | spa |
| dc.format.mimetype | application/pdf | |
| dc.identifier.instname | instname:Universidad Ean | spa |
| dc.identifier.local | BDM-MGP | |
| dc.identifier.reponame | reponame:Repositorio Institucional Biblioteca Digital Minerva | spa |
| dc.identifier.repourl | repourl:https://repository.ean.edu.co/ | |
| dc.identifier.uri | https://hdl.handle.net/10882/19746 | |
| dc.language.iso | spa | |
| dc.publisher.faculty | Facultad de Ingeniería | spa |
| dc.publisher.program | Maestría en Ciencias de Datos | spa |
| dc.relation.references | Acevedo, A. (2023). A review of leak detection and prediction methods in water distribution systems using machine learning. Universidad de los Andes. https://hdl.handle.net/1992/65925 Adamowski, J. & Karapataki, C. (2010). Comparison of Multivariate Regression and Artificial Neural Networks for Peak Urban Water-Demand Forecasting: Evaluation of Different ANN Learning Algorithms. Journal of Hydrologic Engineering. 15(10):729-743. https://ascelibrary.org/doi/10.1061/%28ASCE%29HE.1943-5584.0000245 Alcaldía Mayor de Bogotá. (2025). Racionamiento de agua en Bogotá. https://bogota.gov.co/racionamiento-agua-bogota/?utm_source Aminu, I., Bashir, A., Sunusi, A., Malami, S., Usman, A., Abba, S. & Ozsahin, D. (2025). State-of-art implementation of computing intelligent models for water demand modelling: A decade review and future direction. Journal of Water and Land Development. No. 66 (VII–IX): 214–224. https://doi.org/10.24425/jwld.2025.155316 Ander, E. (2011). Aprender a Investigar. Nociones Básicas para la Investigación Social. Editorial Brujas. (1ª ed.). Ayus, I., Narayanan, N. & Gupta, D. (2023). Prediction of water level using machine learning and deep learning techniques. Iranian Journal of Science and Technology, Transactions of Civil Engineering. vol.47. pp. 2437–2447. https://doi.org/10.1007/s40996-023-01053-6 Breiman, L. (2001). Random Forests. Machine Learning 45(1). pp. 5-32. https://doi.org/10.1023/A:1010933404324 Brentan, B., Meirelles, G., Herrera, M., Luvizotto, E. & Izquierdo, J. (2017). Correlation Analysis of Water Demand and Predictive Variables for Short-Term Forecasting Models. Mathematical Problems in Engineering. pp. 1-10. https://doi.org/10.1155/2017/6343625 Candelieri, A. (2017). Clustering and support vector regression for water demand forecasting and anomaly detection. Water, 9(3), 224. https://doi.org/10.3390/w9030224 Canquil, D., San Martín, D., Inoquio, I. & Leger, P. (2026). A Systematic Literature Review on Machine Learning Techniques for Predicting Household Water Consumption. Water Resources Management. vol. 40(83). https://doi.org/10.1007/s11269-026-04496-4 Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. y Wirth, R. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS Inc. https://public.dhe.ibm.com/software/analytics/spss/documentation/modeler/14.2/es/CRISP-DM.pdf Comisión Colombiana del Océano (CCO). (2025). Seguimiento de los Fenómenos EL NIÑO – LA NIÑA Comunicado No. 05 de 2025. https://cco.gov.co/seguimiento-de-los-fenomenos-el-nino-la-nina-comunicado-no-05-de-2025/ Costa, D., Bayissa, Y., Vianna, K., Villas, M., Bawa, A., Lugon, J., Silva, A. & Srinivasan, R. (2024). Water quality estimates using machine learning techniques in an experimental watershed. Journal of Hydroinformatics. https://doi.org/10.2166/hydro.2024.132 Diago, D. (2025). Localidades con más reportes por desperdicio de agua en Bogotá. Concejo de Bogotá. https://concejodebogota.gov.co/localidades-con-mas-reportes-por-desperdicio-de-agua-en-bogota/cbogota/2025-01-27/174833.php Donkor, E., Mazzuchi, T., Soyer, R., y Roberson, J. (2012). Urban water demand forecasting: Review of methods and models. Journal of Water Resources Planning and Management, 140(2), 146–159. https://doi.org/10.1061/(ASCE)WR.1943-5452.0000314 Empresa de Acueducto y Alcantarillado de Bogotá (EAAB). (2022). Informe de Gestión. EAAB. https://www.acueducto.com.co/wps/portal/EAB2/Home/transparencia_informacion_publica/planeacion_presupuesto_informes/informes-de-gestion Forero, J., Castellanos, J. & Imbol, W. (2019). Colombia, ¿alineándose al cumplimiento del objetivo de desarrollo sostenible n°6 sobre agua limpia y saneamiento? Revista Producción + Limpia. 14(2). https://doi.org/10.22507/pml.v14n2a3 Gil, E. y Tobón, C. (2016). Hydrological modelling with TOPMODEL of Chingaza páramo, Colombia. Revista Facultad Nacional de Agronomía Medellín, 69(2), 7919–7933. https://doi.org/10.15446/rfna.v69n2.59137 Görenekli, K. & Gülbag, A. (2024). Comparative Analysis of Machine Learning Techniques for Water Consumption Prediction: A Case Study from Kocaeli Province. Sensor, 24 (17). https://doi.org/10.3390/s24175846 Granata, F. (2019). Evapotranspiration evaluation models based on machine learning algorithms - A comparative study. Agricultural Water Management, vol. 217, 303–315. https://www.sciencedirect.com/science/article/abs/pii/S0378377418312800 Grecco, R., Sanches, R., Dos Santos, B., Martins, R., De Figueiredo, G., Bourscheidt, V. & Toledo, P. (2025). Using Xgboost models for daily rainfall prediction. Anales de Geografía de la Universidad Complutense, 45, 75-92 https://doi.org/10.5209/aguc.98944 Hernández, R., Fernández, C. & Baptista, P. (2014). Metodología de la investigación. (6ª ed.). McGraw-Hill. Herrera, J. y Romero, B. (2025). Sistema IoT para monitoreo en tiempo real del consumo de agua. Universidad Distrital Francisco José de Caldas. http://hdl.handle.net/11349/94922 House-Peters, L. y Chang, H. (2011). Urban water demand modeling: Review of concepts, methods, and organizing principles. Water Resources Research, 47(5). https://doi.org/10.1029/2010WR009624 Hussien, W., Memon, F. y Savic, D. (2016). Assessing and modelling the influence of household characteristics on per capita water consumption. Water Resources Management, 30(1), 2931-2955. https://doi.org/10.1007/s11269-016-1314-x Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM). (2022). Estudio Nacional del Agua 2022 (Resumen ejecutivo). Instituto de Hidrología, Meteorología y Estudios Ambientales. https://www.ideam.gov.co/sites/default/files/prensa/boletines/2024-08-23/resumen_ejecutivo_estudio_nacional_del_agua_2022_0.pdf International Organization for Standardization. (ISO) (2020). Project, programme and portfolio management — Guidance on project management (ISO 21502:2020). Izquierdo, S., Restrepo, D., Ozment, S., Acero, N., Bulbena, L., Camacho, J., Villegas, L., Arjona, F., Bejarano, P., Mora, M. y García, M. (2023). Integrando Infraestructura Natural al Sistema de Abastecimiento de Agua de Bogotá. World Resources Institute. https://doi.org/10.46830/wrirpt.22.00046 Jiménez, D., Orrego, S., Cossio, D., Vásquez, F. & Ponce, R. (2017). Efecto de la variabilidad climática sobre la demanda de agua para uso residencial urbano: el caso de la ciudad de Manizales, Colombia. Desarrollo y Sociedad, 1(79). https://doi.org/10.13043/dys.79.3 Kanyama, M., Bhunu, F., Gamundani, A. y Hartmann, A. (2025). AI-Driven Anomaly Detection in Smart Water Metering Systems Using Ensemble Learning. Water, 17(13), 1933. https://doi.org/10.3390/w17131933 Lee, D. & Derrible, S. (2020). Predicting Residential Water Demand with Machine-Based Statistical Learning. Journal of Water Resources Planning and Management. 146(1). https://doi.org/10.1061/(ASCE)WR.1943-5452.0001119 Manfrini, D. (2025). Gestión Inteligente del Agua en Bogotá: Monitoreo y Optimización del Consumo con IA e IoT. Universidad EAN. https://hdl.handle.net/10882/14882 Martínez, F., Contreras, L., Ferri, C., Hernández, J., Kull, M., Lachiche, N., Ramírez, M. J. y Flach, P. (2021). CRISP-DM twenty years later: From data mining processes to data science trajectories. IEEE Transactions on Knowledge and Data Engineering, vol. 33(8), 3048–3061. https://doi.org/10.1109/TKDE.2019.2962680 Martínez, S., Cottyn, H., Garrido, A., Kirshner, J. y O’Bryen, R. (2024). Water Factories of the High Colombian Mountains: Páramo as 'Infrastructural Nature'. Water Alternatives. 17(1), 167-186 https://www.water-alternatives.org/index.php/alldoc/articles/vol17/v17issue1/741-a17-1-8/file Mathivha, F., Mabala, L., Matimolane, S. y Mbatha, N. (2024). El Niño-induced drought impacts on Reservoir water Resources in South Africa. Atmosphere, 15(3), 249. https://doi.org/10.3390/atmos15030249 Meyer, H., Reudenbach, C., Hengl, T., Katurji, M., & Nauss, T. (2018). Improving performance of spatio-temporal machine learning models using forward feature selection and target-oriented validation. Environmental Modelling & Software, 101, 1–9. https://doi.org/10.1016/j.envsoft.2017.12.001 Ministerio de Ambiente y Desarrollo Sostenible (Minambiente). (2019). Metodología Para el Diseño de Módulos de Consumo del Agua. Dirección de Gestión Integral del Recurso Hídrico Grupo de Administración del Recurso Hídrico. https://www.minambiente.gov.co/wp-content/uploads/2021/10/5.-Anexo-5-Metodologia-Estimacion-Modulos-de-Consumo-del-Agua.pdf Niazkar, M., Menapace, A., Brentan, B., Piraei, R., Jimenez, D., Dhawan, P. & Righetti, M. (2024). Applications of XGBoost in water resources engineering, A systematic literature review. Environmental Modelling and Software. vol. 174. https://doi-org.bdbiblioteca.universidadean.edu.co/10.1016/j.envsoft.2024.105971 Nunes, T., De Souza, F. & Costa, V. (2021). Urban Water Demand Modeling Using Machine Learning Techniques: Case Study of Fortaleza, Brazil. Journal of Water Resources Planning and Management. https://doi.org/10.1061/(ASCE)WR.1943-5452.0001310 Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO). (2021). Informe Mundial de las Naciones Unidas sobre el Desarrollo de los Recursos Hídricos 2021: El valor del agua. UNESDOC. https://doi.org/10.54679/MOMU6572 Ortega, A., Hinojosa, I., Martínez, E., Ramírez, E. & Sánchez, A. (2026). Assessment and Response to Water Stress in Bogotá: A Multidimensional Analysis. Water. 18(10). https://doi.org/10.3390/w18101155 Ortiz, J. (2025). 37 % del agua en Bogotá se pierde. Universidad de los Andes. https://www.uniandes.edu.co/es/noticias/ingenieria/37-del-agua-en-bogota-se-pierde Palma, R. (2022). Análisis crítico del coeficiente de determinación (r²), como indicador de la calidad de modelos lineales y no lineales. MATEMÁTICA ESPOL - FCNM Journal. vol. 20, No. 2. https://orcid.org/0000-0001-9934-7343 Pérez, C., Alonso, S., Van, N., Garcia, M. y Werner, M. (2024). Disentangling the socio-natural dynamics of drought and water scarcity in Colombia's Tropical Andes. Journal of Hydrology: Regional Studies. 56. https://doi.org/10.1016/j.ejrh.2024.102068 Perez, L., Perez, R. y Seca, M. (2020). Metodología de la Investigación Científica. Editorial Maipue. (1ª ed.). Project Management Institute. (PMI) (2021). Guía de los fundamentos para la dirección de proyectos (Guía del PMBOK) (7.ª ed.). Project Management Institute. Roberts, D., Bahn, V., Ciuti, S., Boyce, M., Elith, J., Guillera-Arroita, G., Hauenstein, S., Lahoz-Monfort, J., Schröder, B., Thuiller, W., Warton, D., Wintle, B., Hartig, F. & Dormann, C. (2017). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40(8), 913–929. https://doi.org/10.1111/ecog.02881 Rueda, J., Cañon, D., Mendoza, C., Rodríguez, A. & Cortés, C. (2025). Evaluating machine learning models for estimating evapotranspiration in Colombia’s Cauca River Valley. Scientific Reports. 16, 278. https://doi.org/10.1038/s41598-025-29514-0 Sanjur, A., Deng, A., Bethancourth, M. & Araúz, R. (2025). Evaluación del uso del aprendizaje automático para la predicción del consumo del agua potable en Panamá metropolitana. Revista de Iniciación Científica, 11(2). https://doi.org/10.33412/rev-ric.v11.2.4180 Superintendencia de Servicios Públicos Domiciliarios (Superservicios). (2024). Informe Sectorial de los Servicios Públicos Domiciliarios de Acueducto y Alcantarillado. Vigencia 2023. Link. Triana, J., Ocampo, C., Carvajal, Y., Torres, W., Triana, J. & Canchala, T. (2023). Estimación de evapotranspiración de referencia con información escasa utilizando machine learning en el Suroccidente Colombiano. Meteorológica. https://doi.org/10.24215/1850468Xe024 Wang, S., Chen, Y., Hsu, S., Kao, Y., Kimura, M., Chang, L., Pan, T. & Ni, C. (2025). A case study on the application of a data-driven (XGBoost) approach on the environmental and socio-economic perspectives of agricultural groundwater management. Agricultural Water Management, vol. 318. https://doi.org/10.1016/j.agwat.2025.109729 World Wildlife Fund (WWF). (2024). Watering Resilience Case Studies of Nature-Based Solutions for Climate Adaptation in Action. Link. Xenochristou, M., Hutton, C., Hofman, J. & Kapelan, Z. (2020). Water Demand Forecasting Accuracy and Influencing Factors at Different Spatial Scales Using a Gradient Boosting Machine. Water Resources Research. 56(8). https://doi.org/10.1029/2019WR026304 Zapata, A., Rivera, C., Valoyes, D., Muñoz, C., Mejía, M. y Catalan, J. (2021). Páramo lakes of colombia: An overview of their geographical distribution and physicochemical characteristics. Water, 13(16), 2175. https://doi.org/10.3390/w13162175 Zhu, M., Wang, J., Yang, X., Zhang, Y., Zhang, L., Ren, H., Wu, B. y Ye, L. (2022). A review of the application of machine learning in water quality evaluation. Eco-Environment & Health, 1(2), 107–116. https://doi.org/10.1016/j.eehl.2022.06.001 | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights.license | Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) | |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject.lemb | Ingeniería de sistemas | spa |
| dc.subject.lemb | Aprendizaje automático | spa |
| dc.subject.lemb | Utilización del agua | spa |
| dc.subject.lemb | Conservación del agua | spa |
| dc.subject.lemb | Innovaciones tecnológicas | spa |
| dc.subject.proposal | Aprendizaje automático | spa |
| dc.subject.proposal | Ciencia de datos | spa |
| dc.subject.proposal | Consumo hídrico | spa |
| dc.subject.proposal | Gestión hídrica | spa |
| dc.subject.proposal | Modelos predictivos | spa |
| dc.subject.proposal | Variables climáticas | spa |
| dc.subject.proposal | Data science | eng |
| dc.subject.proposal | Water consumption | eng |
| dc.subject.proposal | Water management | eng |
| dc.subject.proposal | Machine Learning | eng |
| dc.subject.proposal | Predictive models | eng |
| dc.subject.proposal | Climate variables | eng |
| dc.title | Aplicación de técnicas de machine learning para la predicción del consumo hídrico en la ciudad de Bogotá | spa |
| dc.title | Application of machine learning techniques for predicting water consumption in the city of Bogotá | eng |
| dc.type | Trabajo de grado - Maestría | spa |
| dc.type.coar | http://purl.org/coar/resource_type/c_bdcc | |
| dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa | |
| dc.type.content | Text | |
| dc.type.driver | info:eu-repo/semantics/masterThesis | |
| dc.type.other | Trabajo de grado - Maestría | |
| dc.type.redcol | http://purl.org/redcol/resource_type/TM | |
| dc.type.version | info:eu-repo/semantics/acceptedVersion | |
| dspace.entity.type | Publication | |
| person.affiliation.name | Maestría en Gerencia de Proyectos - Virtual | |
| person.affiliation.name | Maestría en Ciencias de Datos | |
| person.affiliation.name | Maestría en Ciencias de Datos |
Archivos
Bloque de licencias
1 - 1 de 1
Cargando...
- Nombre:
- license.txt
- Tamaño:
- 1.92 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción:
