Examinando por Autor "Gonzales Medina, Ronny Iván"

Mostrando 1 - 3 de 3
  • Miniatura
    Acceso Abierto
    Evaluación de un sistema acuapónico automatizado como una alternativa del tratamiento de aguas residuales acuícolas y producción en el vivero de la UCSM-Arequipa 2022
    (Universidad Católica de Santa María, 2023-12-16) Mejia Mamani, Grace Kely
    La presente investigación examinó la practicidad y sostenibilidad de un sistema acuapónico automatizado como una alternativa para el tratamiento de aguas residuales acuícolas, las cuales son descargadas en cuerpos de agua, modificando su calidad, contaminándola y generando una degradación ambiental, es por ello que se propone un modelo donde se diseñó e implemento un sistema sustentable cuyas aguas residuales sean útiles para la agricultura, particularmente en áreas donde el impacto ambiental y el suministro confiable de agua son un problema. Además, se analizó la eficacia del sistema propuesto por medio de monitoreo y análisis de calidad de agua. El sistema cíclico trabajo en la producción de trucha arcoíris (Oncorhynchus mykiss W.) y tres variedades de Lactuca sativa L. Se analizaron parámetros donde se comprobó la calidad del agua residual apta para uso agrícola; además se evaluó el crecimiento de los peces y la biometría de la planta registrando la altura, largo de raíz y numero de hojas, los cuales cumplieron los estándares de mercado. Con la investigación se pudo concluir que el sistema acuapónico es una alternativa para el tratamiento de aguas residuales acuícolas, en donde también se puede obtener un crecimiento significativo de peces y plantas, además, se obtuvo un subproducto el cual se puede utilizar como biofertilizante.
  • Miniatura
    Acceso Abierto
    Evaluación del impacto acústico generado por el tráfico vehicular en el distrito de Alto Selva Alegre usando el modelo predictivo RLS-90 y mapas de ruido
    (Universidad Católica de Santa María, 2025-04-02) Bravo Huamani, Esmeralda Rosa; Coila Escalante, Alejandro Gustavo
    El objetivo del presente estudio es evaluar y comparar los niveles de ruido ambiental generado por la presencia de flujo vehicular, ubicados en las principales vías mediante el uso de un sonómetro y un modelo matemático de predicción de ruido ambiental en el distrito de Alto Selva Alegre, Arequipa evaluado en el 2023. El estudio es de tipo aplicado con nivel descriptivo y con diseño no experimental, donde se realizó 10 puntos de monitoreo estratégicos con un área de estudio de 748,034 𝑚2, como muestra se eligió 385 personas para la encuesta del diagnóstico situacional. La técnica utilizada fue utilizar el Protocolo Nacional de Ruido Ambiental, así mismo las ordenanzas municipales propias del distrito de Alto Selva Alegre para poder comparar los valores de dB recopilados con la normativa vigente y la aplicación de una encuesta para determinar un diagnóstico situacional sobre la afectación del ruido en el área de estudio, con el propósito de obtener las variables necesarias para el modelamiento en el Software SoundPlan, se realizó el conteo vehicular mediante cámaras de vigilancia del centro de seguridad de la Municipalidad de Alto Selva Alegre, con el propósito de verificar y dar conformidad al modelo de predicción, se comparó con las medidas in situ usando el sonómetro y determinar la variación de las metodologías presentadas. Con los resultados obtenidos del monitoreo y conteo vehicular se procedió a la interpolación Kriging en el Software ArGIS y el software SoundPlan, logrando generar los mapas de ruido de la zona de Alto Selva Alegre. Se llega a concluir que las metodologías empleadas guardan relación en los puntos considerados como avenidas y contengan un flujo vehicular constante con una desviación de ± 3dB dando validez al modelamiento para los puntos RA-1, RA-2, RA-4, RA-6, RA-8, RA-9 y RA-10, sin embargo, los puntos restantes que son calles y con condiciones más limitadas como es el hecho de distancias estrechas y poco flujo vehicular, logran alternar algunos días una desviación no permitida donde no se recomienda la validez de los datos y se debe realizar un análisis de causa raíz para determinar el motivo de la excedencia de la desviación. Se realizó la aplicación de una encuesta para estudiar la percepción de las personas que habitan en este distrito.
  • Miniatura
    Acceso Abierto
    Evaluación del riesgo de deslizamientos mediante algoritmos de machine learning en el distrito de Quinistaquillas, Moquegua - 2024, para mejorar la prevención y gestión de desastres naturales
    (Universidad Católica de Santa María, 2026-04-07) Yufra Ochoa, Bryan Alonso; Ramos Alegre, Luis Gerardo
    El estudio titulado “Evaluación del riesgo de deslizamientos mediante algoritmos de Machine Learning en el distrito de Quinistaquillas, Moquegua – 2024” tuvo como propósito principal mejorar la prevención y gestión de desastres naturales en la zona. En los últimos años, Quinistaquillas ha presentado múltiples deslizamientos que pusieron en riesgo a la población, la agricultura y la infraestructura local, evidenciando la necesidad de utilizar tecnologías predictivas para fortalecer la gestión del riesgo y orientar la planificación territorial en áreas vulnerables. La investigación abordó la carencia de herramientas automatizadas de predicción espacial para anticipar deslizamientos con precisión a nivel distrital. Para ello, se aplicaron algoritmos de Machine Learning utilizando datos geoespaciales e imágenes satelitales multitemporales, especialmente imágenes Sentinel-2 L2A del periodo 2016–2023, junto con variables predictoras definidas de manera consistente como NDVI, NDWI, brillo, pendiente, tipo de suelo, uso de suelo y coordenadas espaciales. La orientación y la distancia a quebradas fueron empleadas como criterios auxiliares para la delimitación y caracterización espacial de las microcuencas, mas no como variables predictoras principales del entrenamiento de los modelos. Asimismo, se construyó una grilla regular que cubrió toda el área de estudio como base para el análisis espacial; sin embargo, el entrenamiento y la validación de los modelos se realizaron con un total de 3770 muestras etiquetadas, de las cuales 2827 registros (75 %) fueron destinados al entrenamiento y 943 registros (25 %) a la prueba. Los modelos implementados fueron Random Forest (RF) y Support Vector Machine (SVM). El modelo Random Forest presentó el mejor desempeño, alcanzando una precisión de 90 % para la clase de deslizamiento, una sensibilidad de 86 %, un F1-score de 0.88, una precisión general de 94 % y un índice Kappa de 0.88, lo que demuestra una mayor capacidad para identificar de manera confiable las zonas susceptibles a deslizamientos en comparación con el modelo SVM. En el tercer objetivo, la aplicación de los modelos entrenados sobre las microcuencas de las quebradas Volcán y Juinco permitió generar mapas de susceptibilidad que identificaron y clasificaron zonas con alto potencial de deslizamiento. Ambos modelos coincidieron en que las áreas de riesgo alto y muy alto se asocian principalmente a laderas con fuertes pendientes, baja cobertura vegetal y proximidad a drenajes; sin embargo, el modelo RF presentó delimitaciones más coherentes, mientras que el SVM mostró una distribución más dispersa. Se observaron patrones espaciales diferenciados: en Volcán, la mayor concentración de riesgo se ubica hacia el norte, mientras que en Juinco se localiza principalmente en las zonas noreste y sureste, reflejando dinámicas geológicas particulares. En conclusión, el uso de Machine Learning, especialmente mediante el modelo Random Forest, constituyó una herramienta eficaz y robusta para predecir zonas críticas de deslizamientos. Su integración con Sistemas de Información Geográfica (SIG) fortaleció la gestión preventiva y proporcionó información estratégica para la toma de decisiones orientadas a la prevención y gestión de desastres naturales en Quinistaquillas.