https://carlos-mendez.org/es/tag/vietnam/VietnamWowchemy (https://wowchemy.com)es-es© 2018–2026 Carlos Mendez. All rights reserved.Thu, 20 Mar 2025 00:00:00 +0000https://carlos-mendez.org/media/icon_huedfae549300b4ca5d201a9bd09a3ecd5_79625_512x512_fill_lanczos_center_3.pnghttps://carlos-mendez.org/es/tag/vietnam/https://carlos-mendez.org/es/publication/20250320-lsrs/Thu, 20 Mar 2025 00:00:00 +0000https://carlos-mendez.org/es/publication/20250320-lsrs/<p><strong>🤖 Resumen en pódcast con IA</strong></p> <iframe width="100%" height="300" scrolling="no" frameborder="no" allow="autoplay" src="https://w.soundcloud.com/player/?url=https%3A//api.soundcloud.com/tracks/2059684160&color=%23ff5500&auto_play=false&hide_related=false&show_comments=true&show_user=true&show_reposts=false&show_teaser=true&visual=true"></iframe><div style="font-size: 10px; color: #cccccc;line-break: anywhere;word-break: normal;overflow: hidden;white-space: nowrap;text-overflow: ellipsis; font-family: Interstate,Lucida Grande,Lucida Sans Unicode,Lucida Sans,Garuda,Verdana,Tahoma,sans-serif;font-weight: 100;"><a href="https://soundcloud.com/user-562952877" title="QuaRCS-lab" target="_blank" style="color: #cccccc; text-decoration: none;">QuaRCS-lab</a> · <a href="https://soundcloud.com/user-562952877/vietnam-subnational-gdp" title="Vietnam Subnational GDP Prediction Using Remote Sensing and Machine Learning" target="_blank" style="color: #cccccc; text-decoration: none;">Vietnam Subnational GDP Prediction Using Remote Sensing and Machine Learning</a></div> <p><strong>🛰️ Introducción y contexto</strong></p> <ul> <li>Desafío: datos limitados del PIB subnacional en Vietnam antes de 2010</li> <li>Necesidad: datos de largo plazo para el análisis del desarrollo económico</li> <li>Solución: predecir el PIB mediante teledetección y aprendizaje automático</li> </ul> <p><strong>🌌 Fuentes de datos utilizadas</strong></p> <ul> <li>Datos oficiales del PIB (2010-2020)</li> <li>Luces nocturnas (NTL): conjuntos de datos armonizados DMSP y tipo VIIRS</li> <li>Datos de tierras agrícolas (ESA)</li> <li>Datos climáticos: temperatura y precipitación (CRU)</li> </ul> <p><strong>🧠 Enfoque de aprendizaje automático</strong></p> <ul> <li>Seis algoritmos comparados: <ul> <li>Redes neuronales artificiales (ANN)</li> <li>Random Forest (RF)</li> <li>Máquinas de vectores de soporte (SVM)</li> <li>K vecinos más cercanos (KNN)</li> <li>Regresión ridge</li> <li>eXtreme Gradient Boosting (XGBoost)</li> </ul> </li> </ul> <p><strong>🔦 Hallazgos clave</strong></p> <ul> <li>Predicciones consistentes entre los distintos conjuntos de datos nocturnos</li> <li>Se eligió la regresión ridge para el modelo final</li> <li>Variables importantes: la temperatura y las tierras agrícolas resultaron más influyentes que las NTL</li> </ul> <p><strong>🌍 Aplicación e importancia</strong></p> <ul> <li>Se generaron datos del PIB para 1992-2009</li> <li>Permite un análisis detallado de largo plazo de las tendencias económicas regionales</li> <li>Ayuda a responsables de las políticas e investigadores a abordar la desigualdad y el crecimiento regionales</li> </ul> <p><strong>⚠️ Limitaciones</strong></p> <ul> <li>Discrepancias de medición y calibración en la teledetección</li> <li>Dependencia de los valores de referencia del PIB oficial</li> <li>Desafíos de interpretabilidad de los métodos de aprendizaje automático</li> </ul> <p><strong>🚀 Líneas de investigación futuras</strong></p> <ul> <li>Explorar conjuntos de datos de teledetección adicionales</li> <li>Estimar indicadores socioeconómicos más amplios</li> <li>Mejorar los modelos con conjuntos de datos más grandes</li> </ul> <p><strong>🎯 Conclusión</strong></p> <ul> <li>El aprendizaje automático y la teledetección abordan eficazmente las carencias de datos subnacionales</li> <li>El nuevo conjunto de datos respalda decisiones de política económica informadas</li> <li>Método potencialmente replicable para otros países en desarrollo</li> </ul>