Examinando por Autor "Bertin, Karine"

Mostrando 1 - 3 de 3
  • Miniatura
    Ítem
    Desarrollo e integración de un modelo predictivo para la calidad del agua en Esval
    (Universidad de Valparaíso, 2026-01) Silva Saavedra, Carla; Bertin, Karine
    La gestión eficiente del agua potable requiere anticipar tanto la disponibilidad del recurso como la evolución de los parámetros que determinan su calidad, especialmente en contextos de creciente variabilidad climática. En este escenario, la capacidad de proyectar el comportamiento del caudal y de contaminantes relevantes constituye una herramienta clave para apoyar la toma de decisiones operativas en los sistemas de tratamiento de agua potable. El presente trabajo desarrolla una metodología predictiva basada en aprendizaje automático para la estimación y proyección del caudal y de los parámetros de calidad del agua sólidos disueltos totales (SDT), nitratos (NO−3 ) y turbiedad, utilizando información histórica y variables externas de carácter climático e hidrológico. En particular, el análisis considera registros mensuales de contaminantes disponibles para el período enero de 2021 a mayo de 2025, una serie histórica de caudal correspondiente al período enero de 2000 a mayo de 2025, y variables climáticas externas (temperatura, precipitaciones y nieve acumulada) que incluyen información histórica desde enero de 2000 y proyecciones futuras hasta junio de 2030. El estudio se realiza en la Planta de Tratamiento de Agua Potable (PTAP) San Juan, ubicada en el sector de Llolleo, comuna de San Antonio, región de Valparaíso, y se desarrolla en colaboración con la empresa sanitaria Esval, en el marco de un trabajo aplicado a un sistema real de operación. La metodología propuesta se basa en la implementación del modelo Random Forest, el cual permite capturar relaciones no lineales y dependencias temporales complejas entre las variables analizadas. Para cada variable de interés se evalúan distintas configuraciones del modelo, considerando la selección del número óptimo de variables predictoras y del número de árboles del bosque, mediante el uso de métricas de error absoluto y relativo. Asimismo, se analiza la importancia relativa de las variables seleccionadas, se generan proyecciones a horizontes de 1 y 5 años y se valida el desempeño predictivo del modelo mediante la comparación entre valores proyectados y observados. Los resultados obtenidos muestran que el modelo Random Forest es capaz de representar adecuadamente la dinámica temporal del caudal y de los contaminantes analizados, entregando proyecciones coherentes con el comportamiento histórico del sistema y niveles de error aceptables en los períodos de validación. En conjunto, este trabajo aporta una base metodológica replicable que puede ser extendida a otras plantas de tratamiento y utilizada como apoyo en la gestión preventiva y operativa de la calidad del agua potable.
  • Miniatura
    Ítem
    Método de DOWNSCALING estadístico con modelo de regresión ponderada espacio-temporal para campos de viento en la Región de Valparaíso
    (Universidad de Valparaíso, 2025-08-14) Lagos Orellana, Alonso; Bertin, Karine
    El creciente aumento en las últimas décadas de fenómenos climáticos extremos, de la tasa de incendios y de demanda energética, han llevado a la necesidad de estudiar variables climáticas en zonas espaciales locales para generar soluciones a estas problemáticas. Este trabajo busca implementar un esquema de downscaling estadıstico para campos de intensidad de viento en la región de Valparaíso, el cual integra un modelo de regresión ponderada espacio-temporal (GTWR) para estimar mallas anidadas de modelos Weather Research and Forecasting (WRF) (3 km → 1 km → 1/3 km). El método se apoya en hipótesis locales de regularidad espacial, homogeneidad espacial, autosimilaridad espacial y estacionariedad de los residuos. Para esto, se calibran factores de escala no-paramétricos mediante mınimos cuadrados ponderados (WLS) con un kernel espacio-distribucional. Luego, se consideran los campos de intensidad del viento reales a resolucion 3 km y 1 km obtenidos por modelos WRF (73 mediciones temporales por hora entre 02/09/2023 y el 05/09/2023) con dominio espacial en la región de Valparaíso (coordenadas latitud Este-Oeste −33, 43985 y −32, 88078, y longitud Norte-Sur −71, 89282 y −70, 93353). Para los datos reales, se clasificaron las zonas topográficas de mar, valle y montaña, por un algoritmo del vecino más lejano (FPC) sobre las distancias distribucionales de la diferencia absoluta de las variaciones. Después, se aplica el modelo GTWR entre campos de 3 km a 1 km para recuperar los factores de escala, obteniendo una excelente capacidad predictiva en las zonas de mar y valle (MSE bajo y coeficientes de determinación altos, para espacio y tiempo). No obstante, el GTWR muestra dificultades para adaptarse a la topografía local en zonas de montaña (error cuadrático medio alto y coeficiente de determinación bajo-intermedio, para espacio y tiempo). Se finaliza el esquema aplicando los factores de escala para obtener el campo de viento objetivo a 1/3 km, en donde la predicción mejora la resolución espacial a 1/3 km capturando cambios en la intensidad del viento, desde aumentos locales leves en zonas de mayor homogeneidad (mar y valle), hasta grandes aumento en zonas de mayor variabilidad topográfica (montana). Se concluye que el modelo GTWR es eficiente en costos computacionales y muestra una alta capacidad predictiva para zonas espaciales en donde la topografıa es de variación leve o mediana, y en zonas de alta variabilidad topográfica el modelo sobreajusta el cambio de escala en las series de tiempo. Este comportamiento se deriva posiblemente del aumento de la heterogeneidad espacial al aplicar el downscaling espacial en zonas de montaña. Para mejorar la efectividad del modelo GTWR se recomienda: implementar un modelo por zonas topográficas, calibrar los anchos de ventana por cluster y/o por un método espacio-temporal, y estudiar la incorporación de nuevas covariables al modelo (dirección del viento, temperatura, variable de altura, entre otras).
  • Miniatura
    Ítem
    Métodos de estimación adaptativos en modelos de regresión
    (Universidad de Valparaíso, 2023) Padrino García, Miguel; Bertin, Karine; Fermín, Lisandro
    En el presente trabajo se plantea el problema de estimación no paramétrica (por núcleo) de la función de regresión en un modelo de regresión univariante. La precisión de la estimación se mide utilizando riesgos puntuales. Específicamente se plantea la estimación adaptativa de la función de regresión en contexto de dependencia, considerando que la variable explicativa es un proceso débilmente dependiente cuyo coeficiente de correlación tiene decaimiento exponencial. Se asume que la variable explicativa es idénticamente distribuida con función de densidad acotada, esta función de densidad en un caso se considera conocida (caso 1) y en otro caso desconocida (caso 2). Para estimar la función de regresión, se propone estimación por Núcleo y de selección de ventana por enfoque de Goldenshluger-Lepski (G-L). En ambos casos se demuestran nuevos resultados obteniendo que los estimadores seleccionados satisfacen desigualdades de oráculo y que son adaptativos respecto a la regularidad de la función de regresión. Además, se hace una calibración de los métodos de selección de estimadores en base a desigualdades tipo Bernstein adaptados a datos débilmente dependientes. Finalmente, se implementan los distintos métodos propuestos en el software R y se desarrollan simulaciones para ilustrar el desempeño de los métodos propuestos en riesgo puntual y riesgo integrado.