@mastersthesis{20.500.12880/14921,
year = {2025},
month = {11},
url = {https://hdl.handle.net/20.500.12880/14921},
abstract = {Este estudio aplica técnicas de aprendizaje automático para predecir la concentración
de clorofila, utilizada como indicador de biomasa algal, a partir de variables
fisicoquímicas en cuerpos de agua. Se compararon modelos desarrollados
manualmente (Ridge, Random Forest y XGBoost) con un enfoque automatizado
mediante Azure AutoML. El modelo StackEnsemble de AutoML obtuvo el mejor
desempeño (R² = 0.8123), superando a los métodos tradicionales. Las variables más
influyentes fueron la relación fósforo-amonio, el fósforo total, los componentes
estacionales y la temperatura del agua. Los resultados evidencian el potencial del
aprendizaje automático como herramienta de apoyo para el monitoreo y la predicción
de floraciones algales en ecosistemas acuáticos.},
title = {Predicción de floraciones algales utilizando algoritmos de aprendizaje automático},
keywords = {Floraciones algales‖Aprendizaje automático‖Azure AutoML‖Clorofila‖Predicción ambiental},
author = {Siles Valverde, Priscilla Maria},
}