| dc.contributor.advisor | Hernández Giraldo, Andres Felipe | |
| dc.coverage.spatial | cead_-_josé_celestino_mutis | |
| dc.creator | Rodriguez Rubio, CIndy Julieth | |
| dc.date.accessioned | 2026-06-04T16:38:59Z | |
| dc.date.available | 2026-06-04T16:38:59Z | |
| dc.date.created | 2025-07-22 | |
| dc.identifier.uri | https://repository.unad.edu.co/handle/10596/81945 | |
| dc.description.abstract | El presente documento responde a un desarrollo de proyecto aplicado, donde se presenta un sistema predictivo basado en modelos de distribución de especies para anticipar la presencia de especies de aves en zonas donde ha desarrollado actividades por minería e hidrocarburos o donde existe la probabilidad de realización, considerando escenarios de cambio climático. Se llevará a cabo a través de un enfoque cuantitativo, se integrarán datos de presencia de aves, variables ambientales y climáticas, utilizando técnicas de aprendizaje de forma complementario para obtener el modelo más robusto posible, entre las cuales se encuentran técnicas como MaxEnt, Random Forest y Redes Neuronales. La metodología incluye la recolección de fuentes oficiales y páginas web de confianza en su determinación taxonómica, el procesamiento y la generación de modelos predictivos validados por medio de métricas robustas. Este proyecto busca generar una herramienta que facilite la decisión de proyectos objeto de licenciamiento ambiental, por medio de bioindicadores como lo son aves, para prever daños en los ecosistemas irreversibles para la distribución de especies de este grupo taxonómico. | |
| dc.format | pdf | |
| dc.title | Desarrollo de un sistema predictivo para la modelación de la presencia de aves en áreas afectadas por minería e hidrocarburos en Colombia bajo escenarios de cambio climático | |
| dc.type | Proyecto aplicado | |
| dc.subject.keywords | aves, riqueza, cambio climático, modelos de distribución de especies, aprendizaje automático. | |
| dc.subject.keywords | Riqueza | |
| dc.subject.keywords | Cambio climático | |
| dc.subject.keywords | Modelos de distribución de especies | |
| dc.subject.keywords | Aprendizaje automático | |
| dc.description.abstractenglish | This monograph presents a predictive system based on species distribution models to anticipate the presence of bird species in areas where mining and hydrocarbon activities have taken place or where they are likely to occur, considering climate change scenarios. The project will be carried out through a quantitative approach, integrating data on bird presence, environmental, and climatic variables, using complementary learning techniques to obtain the most robust model possible. These include techniques such as MaxEnt, Random Forest, and Neural Networks. The methodology includes collecting data from official sources and trusted websites for taxonomic determination, processing, and generating predictive models validated through robust metrics. This project seeks to generate a tool that facilitates decision-making regarding projects subject to environmental licensing, using bioindicators such as birds, to predict irreversible ecosystem damage to the distribution of species in this taxonomic group. | |
| dc.subject.category | Machine Learning | |
