Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare

En el contexto de la actualización catastral en Colombia y su importancia para la toma de decisiones gubernamentales, la calidad de los datos desempeña un papel crucial en el desarrollo adecuado de los procesos catastrales. Es necesario agilizar estos procesos, hacerlos más eficientes y evitar las i...

Full description

Autores:
Benavides Tocarruncho, Natalia
Escobar Calderón, Santiago
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2024
Institución:
Universidad Distrital Francisco José de Caldas
Repositorio:
RIUD: repositorio U. Distrital
Idioma:
spa
OAI Identifier:
oai:repository.udistrital.edu.co:11349/52702
Acceso en línea:
http://hdl.handle.net/11349/52702
Palabra clave:
Aprendizaje de maquina
Calidad de datos catastrales
Verificación de datos
Análisis geoespacial
Actualización catastral
Ingeniería Catastral y Geodesia -- Tesis y disertaciones académicas
Análisis de información -- Información
Reconocimientos topográficos -- Topografía
Procesamiento electrónico de datos -- Bases de datos
Machine learning
Cadastral data quality
Data verification
Geospatial analysis
Cadastral update
Rights
License
Abierto (Texto Completo)
id UDISTRITA2_788bcbf2df1cd120497df57d7ca6341e
oai_identifier_str oai:repository.udistrital.edu.co:11349/52702
network_acronym_str UDISTRITA2
network_name_str RIUD: repositorio U. Distrital
repository_id_str
dc.title.none.fl_str_mv Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare
dc.title.titleenglish.none.fl_str_mv Machine learning model for data quality verification in cadastral updates in the municipalities of Casanare
title Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare
spellingShingle Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare
Aprendizaje de maquina
Calidad de datos catastrales
Verificación de datos
Análisis geoespacial
Actualización catastral
Ingeniería Catastral y Geodesia -- Tesis y disertaciones académicas
Análisis de información -- Información
Reconocimientos topográficos -- Topografía
Procesamiento electrónico de datos -- Bases de datos
Machine learning
Cadastral data quality
Data verification
Geospatial analysis
Cadastral update
title_short Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare
title_full Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare
title_fullStr Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare
title_full_unstemmed Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare
title_sort Modelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de Casanare
dc.creator.fl_str_mv Benavides Tocarruncho, Natalia
Escobar Calderón, Santiago
dc.contributor.advisor.none.fl_str_mv Coronado Sanchéz, Paulo Cesar
dc.contributor.author.none.fl_str_mv Benavides Tocarruncho, Natalia
Escobar Calderón, Santiago
dc.contributor.orcid.none.fl_str_mv Coronado Sanchéz, Paulo Cesar [0000-0003-2980-2376]
dc.subject.none.fl_str_mv Aprendizaje de maquina
Calidad de datos catastrales
Verificación de datos
Análisis geoespacial
Actualización catastral
topic Aprendizaje de maquina
Calidad de datos catastrales
Verificación de datos
Análisis geoespacial
Actualización catastral
Ingeniería Catastral y Geodesia -- Tesis y disertaciones académicas
Análisis de información -- Información
Reconocimientos topográficos -- Topografía
Procesamiento electrónico de datos -- Bases de datos
Machine learning
Cadastral data quality
Data verification
Geospatial analysis
Cadastral update
dc.subject.lemb.none.fl_str_mv Ingeniería Catastral y Geodesia -- Tesis y disertaciones académicas
Análisis de información -- Información
Reconocimientos topográficos -- Topografía
Procesamiento electrónico de datos -- Bases de datos
dc.subject.keyword.none.fl_str_mv Machine learning
Cadastral data quality
Data verification
Geospatial analysis
Cadastral update
description En el contexto de la actualización catastral en Colombia y su importancia para la toma de decisiones gubernamentales, la calidad de los datos desempeña un papel crucial en el desarrollo adecuado de los procesos catastrales. Es necesario agilizar estos procesos, hacerlos más eficientes y evitar las inconsistencias establecidas en los modelos de calidad definidos por el Instituto Geográfico Agustín Codazzi (IGAC) para avanzar en dichos procesos. La aplicación de tecnologías como el aprendizaje maquina contribuye a aumentar la eficiencia en estos procedimientos. Como solución, se propuso un modelo de aprendizaje de maquina para verificar la calidad de los datos catastrales de municipios del departamento de Casanare mediante la definición de cuatro niveles de calidad y la selección de variables que representan la realidad territorial. En total, se seleccionaron 20 variables, entre las cuales las más influyentes fueron el área del terreno (alfanumérica y digital), el folio de matrícula, el tipo de dominio y la destinación económica. Las variables con mayor inconsistencia fueron el área registral, el área catastral, la información de nombre completo, y los registros de personas jurídicas y naturales, así como la discrepancia entre el área registral y la calculada. Los cuatro niveles se dividen en la verificación de la totalidad de la información, la estructura del número predial nacional, el cumplimiento de reglas de consistencia y validaciones de topológicas. De los datos de los predios evaluados, un 70% cumple con los parámetros de calidad, lo que revela una necesidad implementar nuevos procesos, como el presentado, para de manejo y registro de información de manera más adecuada. Adicional a esto el desempeño del modelo tuvo un RSME del 0.0317, un MAE del 0.0185 y un R2 Score de 0.6629, lo que indica buen desempeño, cercanía a valores reales con los predichos y variabilidad en los datos con posibilidades de mejora.
publishDate 2024
dc.date.accessioned.none.fl_str_mv 2024-10-31T22:17:43Z
dc.date.available.none.fl_str_mv 2024-10-31T22:17:43Z
dc.date.created.none.fl_str_mv 2024-08-22
dc.type.none.fl_str_mv bachelorThesis
dc.type.degree.none.fl_str_mv Monografía
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/11349/52702
url http://hdl.handle.net/11349/52702
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv Aba-Catoira, A. (2023). Algunas consideraciones éticas y jurídicas a propósito del desarrollo y uso de los sistemas de inteligencia artificial. Revista Doctrina Distrital, ISSN-e 2745-2719, Vol. 3, Nº. 3, 2023 (Ejemplar dedicado a: Reflexiones sobre política criminal, género y sociedad), págs. 152-162, 3, 152-162. Descargado de https://dialnet.unirioja.es/servlet/articulo?codigo=9376489info=resumeni https://dialnet.unirioja.es/servlet/articulo?codigo=9376489
Amorim, A., y SOUZA, G. (2005). Actualización catastral en cortos períodos de tiempo: Un problema minimizado por la evolución tecnológica. 6ª SEMANA GEOMÀTICA.
Antezana, A. D. (2018). Impacto de la implementación de minería de datos en el mantenimiento y análisis de la información catastral en una municipalidad distrital. Universidad ESAN. Descargado de https://hdl.handle.net/20.500.12640/1363
Ariza, . R. A. F., F. J. (2019). Calidad en datos geográficos, geoservicios y productores de datos: análisis crítico. Revista Cartográfica. doi: 10.35424/rcar.v0i97.178
Bermúdez, J. A. P., Garolera, J. F., y cols. (2007). Una aproximación al catastro en colombia. UD y la Geomática(1), 25–46.
Brooks, K., y Shardt, Y. A. (2023, 1). Developing a computer programme for data quality assessment. IFAC-PapersOnLine, 56, 11784-11789. doi: 10.1016/J.IFACOL.2023.10.568
Buśko, M., Balawajder, M., Kovalyshyn, O., y Apollo, M. (2023). Do geographic location and historical conditions affect the quality and availability of open cadastral data? from early cadastral maps till now. Reports on Geodesy and Geoinformatics, 116.
Calabrese, J., Esponda, S., Pasini, A. C., Boracchia, M., y Pesado, P. M. (2019, 10). Guía para evaluar calidad de datos basada en iso/iec 25012. En (p. 694-706).
Camargo, S. R. M. (2017). La reforma rural integral, la terminación del conflicto armado y el problema agrario en colombia. Diálogos de saberes(46), 19–39.
Chacón, L. M. M., Poyatos, M., y Rocha, L. A. (2021). Herramientas tecnológicas para garantizar el cumplimiento del modelo de calidad en los planes de ordenamiento territorial en colombia. Revista Ibérica de Sistemas e Tecnologias de Informação(E46), 390–402.
Chapman, A., Belbin, L., Zermoglio, P., Wieczorek, J., Morris, P., Nicholls, M., . . . Schigel, D. (2020). Developing standards for improved data quality and for selecting fit for use biodiversity data. Biodiversity Information Science and Standards, 4 . doi: 10.3897/biss.4.50889
Chen, T., y Guestrin, C. (2016, 8). Xgboost: A scalable tree boosting system. netman.aiops.org, 13-17-August-2016, 785-794. Descargado de https://netman.aiops.org/ peidan/ANM2019/2.MachineLearningBasics/Reading doi: 10.1145/2939672.2939785
Cienciała, A., Sobolewska-Mikulska, K., y Sobura, S. (2021). Credibility of the cadastral data on land use and the methodology for their verification and update. Land Use Policy, 102, 105204
Presidencia de la República. (2020, 2). Decreto 148 del 2020.
Fetai, B., Grigillo, D., y Lisec, A. (2022). Revising cadastral data on land boundaries using deep learning in imagebased mapping. ISPRS International Journal of Geo-Information, 11 (5), 298.
Gallego, J. M., López, D., Sepúlveda, C., y cols. (2014). Estratificación socioeconómica con base en información catastral. modelos para el caso de bogotá, dc. Documentos de Trabajo(012255).
García Rodríguez, K. A., y Zapata Vega, A. M. (2022). Análisis del proceso de actualización catastral para las mutaciones de tercera y quinta clase mediante el uso de percepción remota. caso piloto: Municipio de ricaurte, cundinamarca–vereda llano del pozo (Tesis Doctoral no publicada). Universidad Santo Tomás.
García, S. G. (2022, 12). Una aproximación a la futura regulación de la inteligencia artificial en la unión europea. Revista de Estudios Europeos, 304-323. Descargado de https://revistas.uva.es/index.php/ree/article/view/5728 doi: 10.24197/REE.79.2022.304-323
Gonzáles, C., y Manzanares, C. (2020). Sistemas de gestión de la calidad iso 9001 guía de aplicación. Editorial UNED.
Goodfellow, I., Bengio, Y., y Courville, A. (2016). Deep learning. MIT press.
Grisales, J. A. C. (2018). La información catastral, una revisión de literatura y su aporte en la generación de conocimiento.
Gutiérrez, J. D., y Muñoz-Cadena, S. M. (2022). Sistemas de decisión automatizada implementados por el estado colombiano (automated decision-making systems implemented by the colombian state). Available at SSRN 4294032.
IGAC. (2022). Guía de implementación para la evaluación de la calidad de información geográfica.
IGAC. (2023, 8). Resolución 1040 de 2023.
(IGAC), I. G. A. C. (2019). Instructivo: Control de calidad de los productos catastrales (Inf. Téc. n.o Cód. I51900-01/19.V3). Bogotá, Colombia: Grupo Interno de Trabajo Administración de la Información Catastral, IGAC. Descargado de https://www.igac.gov.co/sites/default/files/listadomaestro/i51900-0119.v (Copia no controlada)
(IGAC), I. G. A. C. (2023). Anexo 2: Evaluación de calidad de la base de datos catastral multipropósito. Descargado de https://www.igac.gov.co/sites/default/files/transparencia/normograma/pro (Documento de trabajo. Versión preliminar para comentarios de la ciudadanía)
(IGAC), I. G. A. C. (2024). Diccionario de datos modelo de levantamiento catastral ladm-col v. 3.0. Descargado de https://antiguo.igac.gov.co/sites/igac.gov.co/files/anexo2.diccionariodeda (Anexo 2)
Indrajit, A., Van Loenen, B., Ploeger, H., y Van Oosterom, P. (2020). Developing a spatial planning information package in iso 19152 land administration domain model. Land Use Policy, 98, 104111
Juran, J., y Feo, J. D. (2017). In juran’s quality handbook: The complete guide to performance excellence.
Lin, X., Gowen, A. A., Pu, H., y Xu, J. L. (2023, 11). Microplastic contamination in fish: Critical review and assessment of data quality. Food Control, 153, 109939. doi: 10.1016/J.FOODCONT.2023.109939
Magomedov, S., y Lebedev, A. (2021, 2). Protected network architecture for ensuring consistency of medical data through validation of user behavior and dicom archive integrity. Applied Sciences 2021, Vol. 11, Page 2072, 11 , 2072. Descargado de https://www.mdpi.com/2076-3417/11/5/2072/htm https://www.mdpi.com/2076-3417/11/5/2072 doi: 10.3390/APP11052072
Mamani Ajata, S., y cols. (2021). Control de calidad de las carpetas de levantamientos topográficos georreferenciados para el registro catastral en el gobierno autónomo municipal de el alto (Tesis Doctoral no publicada).
Mejía, F., en Colombia, T., Carrillo, G., Ramirez, S., y Jenni, L. (2022). El enfoque de arquitectura dirigida por modelos para la implementación de la iso 19152 (ladm)–caso de uso del perfil ladm-col.
Mendoza Sanchez, A. D., Forero Ortega, L. J., y cols. (2022). Catastro actualizado de usuarios para la empresa alcanos de colombia saesp en los municipios de ibagué (tolima) y girardot (cundinamarca) (B.S. thesis).
Moellering, H. (1987). A draft proposed standard for digital cartographic data. Open-File Report. doi: 10.3133/OFR87308
Molina, M.-G. A. (2015). Catastro multipropósito sostenible: una necesidad inaplazable. Revista Cartográfica(91), 9–33.
Peña Rojas, J. J. (2018). Desarrollo de una herramienta para el control de calidad de la información cartográfica catastral digital del igac.
Peña, M. D. S., y Blandón, J. S. J. (2022). Diseño del flujo de trabajo para operar la mutación catastral de primera respecto al modelo de datos ladm col con enfoque multipropósito para amco.
Picard, S., Chapdelaine, C., Cappi, C., Gardes, L., Jenn, E., Lefèvre, B., y Soumarmon, T. (2020). Ensuring dataset quality for machine learning certification. En 2020 ieee international symposium on software reliability engineering workshops (issrew) (pp. 275–282).
Pulgarín-Franco, J.-A. (2024). La actualización catastral y el fortalecimiento de capacidades institucionales locales: predial y servicios públicos domiciliarios. Bitácora Urbano Territorial, 34 (1).
Qin, Z., Huo, L., y Zhang, S. (2021). An improved data integrity validation model for cloud storage. MATECWeb of Conferences, 336. doi: 10.1051/matecconf/202133608003
Roić, M., Križanović, J., y Pivac, D. (2021). An approach to resolve inconsistencies of data in the cadastre. Land, 10(1), 70.
Sánchez Torres, F. J., España, I., y cols. (2013). Estructura, potencial y desafíos del impuesto predial en colombia.
Schelter, S., Lange, D., Schmidt, P., Celikel, M., Biessmann, F., y Grafberger, A. (2018). Automating large-scale data quality verification. Proceedings of the VLDB Endowment, 11(12), 1781–1794.
Suárez Rodríguez, L. N. (2021). Las ventajas y desventajas administrativas de la actualización catastral en lo rural.
T., T. O., Manterola, C., N., N. G.-M., Varela, K., y Quiroz, G. (2022). Propuesta metodológica para la validación de bases de datos aplicada a las ciencias de la salud. Revista chilena de infectología, 39. doi: 10.4067/s0716-10182022000500630
Taszakowski, J., Litwin, U., Doroż, A., y Misiak, K. (2018). Evaluation of the quality of cadastral data. En E3s web of conferences (Vol. 63, p. 00018).
Trystuła, A., Dudzińska, M., y Źróbek, R. (2020). Evaluation of the completeness of spatial data infrastructure in the context of cadastral data sharing. Land, 9(8), 272.
Tufail, S., Riggs, H., Tariq, M., y Sarwat, A. I. (2023, 4). Advancements and challenges in machine learning: A comprehensive review of models, libraries, applications, and algorithms. Electronics 2023, Vol. 12, Page 1789, 12, 1789. Descargado de https://www.mdpi.com/2079-9292/12/8/1789/htm https://www.mdpi.com/2079-9292/12/8/1789 doi: 10.3390/ELECTRONICS12081789
Ureña-Cámara, M. A. (2019). Land administration domain model: estado desde su aprobación hasta la actualidad. Mapping (1131-9100), 28(197).
Vargas Reina, J., García Reyes, P., y Gutiérrez Sanín, F. (2022). Problemas del cobro del impuesto predial y sus efectos sociales en contextos de conflicto armado. los casos de carmen de bolívar y turbo en colombia. Colombia Internacional(112), 89–122.
Whang, S. E., y Lee, J.-G. (2020). Data collection and quality challenges for deep learning. Proceedings of the VLDB Endowment, 13(12), 3429–3432.
Álvaro Artola Moreno. (2019). Clasificación de imágenes usando redes neuronales convolucionales en python.
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv Abierto (Texto Completo)
rights_invalid_str_mv Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv pdf
institution Universidad Distrital Francisco José de Caldas
bitstream.url.fl_str_mv https://repository.udistrital.edu.co/bitstreams/9e8c302e-ccd8-4862-a31b-b311c9283b16/download
https://repository.udistrital.edu.co/bitstreams/5a1dac94-f678-44fe-9e30-42305df30bb0/download
https://repository.udistrital.edu.co/bitstreams/d84c14eb-2395-46ca-9246-5917aca4b8f8/download
https://repository.udistrital.edu.co/bitstreams/7a57be29-6784-4b7d-8534-1e6c8dbb87cd/download
https://repository.udistrital.edu.co/bitstreams/238034f0-4f00-4d30-a7fa-3d1786558470/download
bitstream.checksum.fl_str_mv 997daf6c648c962d566d7b082dac908d
e3db2e12b8ed287dcc1fdca97a2302fb
fe085d46738fb5910985091fdb5a6106
dbfe1e9b577ebf1197a5bb197d83f178
ecaf8f71859a31fc07986bf19a664a69
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Distrital
repository.mail.fl_str_mv repositorio@udistrital.edu.co
_version_ 1828165861427380224
spelling Coronado Sanchéz, Paulo CesarBenavides Tocarruncho, NataliaEscobar Calderón, SantiagoCoronado Sanchéz, Paulo Cesar [0000-0003-2980-2376]2024-10-31T22:17:43Z2024-10-31T22:17:43Z2024-08-22http://hdl.handle.net/11349/52702En el contexto de la actualización catastral en Colombia y su importancia para la toma de decisiones gubernamentales, la calidad de los datos desempeña un papel crucial en el desarrollo adecuado de los procesos catastrales. Es necesario agilizar estos procesos, hacerlos más eficientes y evitar las inconsistencias establecidas en los modelos de calidad definidos por el Instituto Geográfico Agustín Codazzi (IGAC) para avanzar en dichos procesos. La aplicación de tecnologías como el aprendizaje maquina contribuye a aumentar la eficiencia en estos procedimientos. Como solución, se propuso un modelo de aprendizaje de maquina para verificar la calidad de los datos catastrales de municipios del departamento de Casanare mediante la definición de cuatro niveles de calidad y la selección de variables que representan la realidad territorial. En total, se seleccionaron 20 variables, entre las cuales las más influyentes fueron el área del terreno (alfanumérica y digital), el folio de matrícula, el tipo de dominio y la destinación económica. Las variables con mayor inconsistencia fueron el área registral, el área catastral, la información de nombre completo, y los registros de personas jurídicas y naturales, así como la discrepancia entre el área registral y la calculada. Los cuatro niveles se dividen en la verificación de la totalidad de la información, la estructura del número predial nacional, el cumplimiento de reglas de consistencia y validaciones de topológicas. De los datos de los predios evaluados, un 70% cumple con los parámetros de calidad, lo que revela una necesidad implementar nuevos procesos, como el presentado, para de manejo y registro de información de manera más adecuada. Adicional a esto el desempeño del modelo tuvo un RSME del 0.0317, un MAE del 0.0185 y un R2 Score de 0.6629, lo que indica buen desempeño, cercanía a valores reales con los predichos y variabilidad en los datos con posibilidades de mejora.In the context of cadastral updates in Colombia and their importance for governmental decision-making, data quality plays a crucial role in the proper development of cadastral processes. It is necessary to streamline these processes, make them more efficient, and avoid inconsistencies as defined in the quality models set by the Agustín Codazzi Geographic Institute (IGAC) to advance in these processes. The application of technologies such as machine learning helps increase efficiency in these procedures. As a solution, a machine learning model was proposed to verify the quality of cadastral data in municipalities of the Casanare department through the definition of four quality levels, and the selection of variables that represent the territorial reality. In total, 20 variables were selected, among which the most influential were land area (alphanumeric and digital), property registration number, type of domain, and economic purpose. The variables with the most inconsistencies were registry area, cadastral area, complete name information, and records of legal and natural persons, as well as the discrepancy between the registered area and the calculated area. The four levels are divided into the verification of the completeness of the information, the structure of the national cadastral number, the compliance with consistency rules, and topological validations. Of the evaluated property data, 70% meets the quality parameters, which reveals a need to implement new processes, like the one presented, for more adequate data management and recording. Additionally, the model's performance had an RMSE of 0.0317, an MAE of 0.0185, and an R² Score of 0.6629, indicating good performance, closeness of predicted values to real values, and variability in the data with room for improvement.pdfspaAprendizaje de maquinaCalidad de datos catastralesVerificación de datosAnálisis geoespacialActualización catastralIngeniería Catastral y Geodesia -- Tesis y disertaciones académicasAnálisis de información -- InformaciónReconocimientos topográficos -- TopografíaProcesamiento electrónico de datos -- Bases de datosMachine learningCadastral data qualityData verificationGeospatial analysisCadastral updateModelo de aprendizaje de máquina para la verificación de la calidad de los datos en actualizaciones catastrales en municipios de CasanareMachine learning model for data quality verification in cadastral updates in the municipalities of CasanarebachelorThesisMonografíainfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2Aba-Catoira, A. (2023). Algunas consideraciones éticas y jurídicas a propósito del desarrollo y uso de los sistemas de inteligencia artificial. Revista Doctrina Distrital, ISSN-e 2745-2719, Vol. 3, Nº. 3, 2023 (Ejemplar dedicado a: Reflexiones sobre política criminal, género y sociedad), págs. 152-162, 3, 152-162. Descargado de https://dialnet.unirioja.es/servlet/articulo?codigo=9376489info=resumeni https://dialnet.unirioja.es/servlet/articulo?codigo=9376489Amorim, A., y SOUZA, G. (2005). Actualización catastral en cortos períodos de tiempo: Un problema minimizado por la evolución tecnológica. 6ª SEMANA GEOMÀTICA.Antezana, A. D. (2018). Impacto de la implementación de minería de datos en el mantenimiento y análisis de la información catastral en una municipalidad distrital. Universidad ESAN. Descargado de https://hdl.handle.net/20.500.12640/1363Ariza, . R. A. F., F. J. (2019). Calidad en datos geográficos, geoservicios y productores de datos: análisis crítico. Revista Cartográfica. doi: 10.35424/rcar.v0i97.178Bermúdez, J. A. P., Garolera, J. F., y cols. (2007). Una aproximación al catastro en colombia. UD y la Geomática(1), 25–46.Brooks, K., y Shardt, Y. A. (2023, 1). Developing a computer programme for data quality assessment. IFAC-PapersOnLine, 56, 11784-11789. doi: 10.1016/J.IFACOL.2023.10.568Buśko, M., Balawajder, M., Kovalyshyn, O., y Apollo, M. (2023). Do geographic location and historical conditions affect the quality and availability of open cadastral data? from early cadastral maps till now. Reports on Geodesy and Geoinformatics, 116.Calabrese, J., Esponda, S., Pasini, A. C., Boracchia, M., y Pesado, P. M. (2019, 10). Guía para evaluar calidad de datos basada en iso/iec 25012. En (p. 694-706).Camargo, S. R. M. (2017). La reforma rural integral, la terminación del conflicto armado y el problema agrario en colombia. Diálogos de saberes(46), 19–39.Chacón, L. M. M., Poyatos, M., y Rocha, L. A. (2021). Herramientas tecnológicas para garantizar el cumplimiento del modelo de calidad en los planes de ordenamiento territorial en colombia. Revista Ibérica de Sistemas e Tecnologias de Informação(E46), 390–402.Chapman, A., Belbin, L., Zermoglio, P., Wieczorek, J., Morris, P., Nicholls, M., . . . Schigel, D. (2020). Developing standards for improved data quality and for selecting fit for use biodiversity data. Biodiversity Information Science and Standards, 4 . doi: 10.3897/biss.4.50889Chen, T., y Guestrin, C. (2016, 8). Xgboost: A scalable tree boosting system. netman.aiops.org, 13-17-August-2016, 785-794. Descargado de https://netman.aiops.org/ peidan/ANM2019/2.MachineLearningBasics/Reading doi: 10.1145/2939672.2939785Cienciała, A., Sobolewska-Mikulska, K., y Sobura, S. (2021). Credibility of the cadastral data on land use and the methodology for their verification and update. Land Use Policy, 102, 105204Presidencia de la República. (2020, 2). Decreto 148 del 2020.Fetai, B., Grigillo, D., y Lisec, A. (2022). Revising cadastral data on land boundaries using deep learning in imagebased mapping. ISPRS International Journal of Geo-Information, 11 (5), 298.Gallego, J. M., López, D., Sepúlveda, C., y cols. (2014). Estratificación socioeconómica con base en información catastral. modelos para el caso de bogotá, dc. Documentos de Trabajo(012255).García Rodríguez, K. A., y Zapata Vega, A. M. (2022). Análisis del proceso de actualización catastral para las mutaciones de tercera y quinta clase mediante el uso de percepción remota. caso piloto: Municipio de ricaurte, cundinamarca–vereda llano del pozo (Tesis Doctoral no publicada). Universidad Santo Tomás.García, S. G. (2022, 12). Una aproximación a la futura regulación de la inteligencia artificial en la unión europea. Revista de Estudios Europeos, 304-323. Descargado de https://revistas.uva.es/index.php/ree/article/view/5728 doi: 10.24197/REE.79.2022.304-323Gonzáles, C., y Manzanares, C. (2020). Sistemas de gestión de la calidad iso 9001 guía de aplicación. Editorial UNED.Goodfellow, I., Bengio, Y., y Courville, A. (2016). Deep learning. MIT press.Grisales, J. A. C. (2018). La información catastral, una revisión de literatura y su aporte en la generación de conocimiento.Gutiérrez, J. D., y Muñoz-Cadena, S. M. (2022). Sistemas de decisión automatizada implementados por el estado colombiano (automated decision-making systems implemented by the colombian state). Available at SSRN 4294032.IGAC. (2022). Guía de implementación para la evaluación de la calidad de información geográfica.IGAC. (2023, 8). Resolución 1040 de 2023.(IGAC), I. G. A. C. (2019). Instructivo: Control de calidad de los productos catastrales (Inf. Téc. n.o Cód. I51900-01/19.V3). Bogotá, Colombia: Grupo Interno de Trabajo Administración de la Información Catastral, IGAC. Descargado de https://www.igac.gov.co/sites/default/files/listadomaestro/i51900-0119.v (Copia no controlada)(IGAC), I. G. A. C. (2023). Anexo 2: Evaluación de calidad de la base de datos catastral multipropósito. Descargado de https://www.igac.gov.co/sites/default/files/transparencia/normograma/pro (Documento de trabajo. Versión preliminar para comentarios de la ciudadanía)(IGAC), I. G. A. C. (2024). Diccionario de datos modelo de levantamiento catastral ladm-col v. 3.0. Descargado de https://antiguo.igac.gov.co/sites/igac.gov.co/files/anexo2.diccionariodeda (Anexo 2)Indrajit, A., Van Loenen, B., Ploeger, H., y Van Oosterom, P. (2020). Developing a spatial planning information package in iso 19152 land administration domain model. Land Use Policy, 98, 104111Juran, J., y Feo, J. D. (2017). In juran’s quality handbook: The complete guide to performance excellence.Lin, X., Gowen, A. A., Pu, H., y Xu, J. L. (2023, 11). Microplastic contamination in fish: Critical review and assessment of data quality. Food Control, 153, 109939. doi: 10.1016/J.FOODCONT.2023.109939Magomedov, S., y Lebedev, A. (2021, 2). Protected network architecture for ensuring consistency of medical data through validation of user behavior and dicom archive integrity. Applied Sciences 2021, Vol. 11, Page 2072, 11 , 2072. Descargado de https://www.mdpi.com/2076-3417/11/5/2072/htm https://www.mdpi.com/2076-3417/11/5/2072 doi: 10.3390/APP11052072Mamani Ajata, S., y cols. (2021). Control de calidad de las carpetas de levantamientos topográficos georreferenciados para el registro catastral en el gobierno autónomo municipal de el alto (Tesis Doctoral no publicada).Mejía, F., en Colombia, T., Carrillo, G., Ramirez, S., y Jenni, L. (2022). El enfoque de arquitectura dirigida por modelos para la implementación de la iso 19152 (ladm)–caso de uso del perfil ladm-col.Mendoza Sanchez, A. D., Forero Ortega, L. J., y cols. (2022). Catastro actualizado de usuarios para la empresa alcanos de colombia saesp en los municipios de ibagué (tolima) y girardot (cundinamarca) (B.S. thesis).Moellering, H. (1987). A draft proposed standard for digital cartographic data. Open-File Report. doi: 10.3133/OFR87308Molina, M.-G. A. (2015). Catastro multipropósito sostenible: una necesidad inaplazable. Revista Cartográfica(91), 9–33.Peña Rojas, J. J. (2018). Desarrollo de una herramienta para el control de calidad de la información cartográfica catastral digital del igac.Peña, M. D. S., y Blandón, J. S. J. (2022). Diseño del flujo de trabajo para operar la mutación catastral de primera respecto al modelo de datos ladm col con enfoque multipropósito para amco.Picard, S., Chapdelaine, C., Cappi, C., Gardes, L., Jenn, E., Lefèvre, B., y Soumarmon, T. (2020). Ensuring dataset quality for machine learning certification. En 2020 ieee international symposium on software reliability engineering workshops (issrew) (pp. 275–282).Pulgarín-Franco, J.-A. (2024). La actualización catastral y el fortalecimiento de capacidades institucionales locales: predial y servicios públicos domiciliarios. Bitácora Urbano Territorial, 34 (1).Qin, Z., Huo, L., y Zhang, S. (2021). An improved data integrity validation model for cloud storage. MATECWeb of Conferences, 336. doi: 10.1051/matecconf/202133608003Roić, M., Križanović, J., y Pivac, D. (2021). An approach to resolve inconsistencies of data in the cadastre. Land, 10(1), 70.Sánchez Torres, F. J., España, I., y cols. (2013). Estructura, potencial y desafíos del impuesto predial en colombia.Schelter, S., Lange, D., Schmidt, P., Celikel, M., Biessmann, F., y Grafberger, A. (2018). Automating large-scale data quality verification. Proceedings of the VLDB Endowment, 11(12), 1781–1794.Suárez Rodríguez, L. N. (2021). Las ventajas y desventajas administrativas de la actualización catastral en lo rural.T., T. O., Manterola, C., N., N. G.-M., Varela, K., y Quiroz, G. (2022). Propuesta metodológica para la validación de bases de datos aplicada a las ciencias de la salud. Revista chilena de infectología, 39. doi: 10.4067/s0716-10182022000500630Taszakowski, J., Litwin, U., Doroż, A., y Misiak, K. (2018). Evaluation of the quality of cadastral data. En E3s web of conferences (Vol. 63, p. 00018).Trystuła, A., Dudzińska, M., y Źróbek, R. (2020). Evaluation of the completeness of spatial data infrastructure in the context of cadastral data sharing. Land, 9(8), 272.Tufail, S., Riggs, H., Tariq, M., y Sarwat, A. I. (2023, 4). Advancements and challenges in machine learning: A comprehensive review of models, libraries, applications, and algorithms. Electronics 2023, Vol. 12, Page 1789, 12, 1789. Descargado de https://www.mdpi.com/2079-9292/12/8/1789/htm https://www.mdpi.com/2079-9292/12/8/1789 doi: 10.3390/ELECTRONICS12081789Ureña-Cámara, M. A. (2019). Land administration domain model: estado desde su aprobación hasta la actualidad. Mapping (1131-9100), 28(197).Vargas Reina, J., García Reyes, P., y Gutiérrez Sanín, F. (2022). Problemas del cobro del impuesto predial y sus efectos sociales en contextos de conflicto armado. los casos de carmen de bolívar y turbo en colombia. Colombia Internacional(112), 89–122.Whang, S. E., y Lee, J.-G. (2020). Data collection and quality challenges for deep learning. Proceedings of the VLDB Endowment, 13(12), 3429–3432.Álvaro Artola Moreno. (2019). Clasificación de imágenes usando redes neuronales convolucionales en python.LICENSElicense.txtlicense.txttext/plain; charset=utf-87167https://repository.udistrital.edu.co/bitstreams/9e8c302e-ccd8-4862-a31b-b311c9283b16/download997daf6c648c962d566d7b082dac908dMD54ORIGINALBenavidesTocarrunchoNatalia2024.pdfBenavidesTocarrunchoNatalia2024.pdfTrabajo de gradoapplication/pdf1361838https://repository.udistrital.edu.co/bitstreams/5a1dac94-f678-44fe-9e30-42305df30bb0/downloade3db2e12b8ed287dcc1fdca97a2302fbMD55Licencia y autorización de los autores.pdfLicencia y autorización de los autores.pdfLicencia de uso y autorizaciónapplication/pdf789284https://repository.udistrital.edu.co/bitstreams/d84c14eb-2395-46ca-9246-5917aca4b8f8/downloadfe085d46738fb5910985091fdb5a6106MD56THUMBNAILBenavidesTocarrunchoNatalia2024.pdf.jpgBenavidesTocarrunchoNatalia2024.pdf.jpgIM Thumbnailimage/jpeg2239https://repository.udistrital.edu.co/bitstreams/7a57be29-6784-4b7d-8534-1e6c8dbb87cd/downloaddbfe1e9b577ebf1197a5bb197d83f178MD57Licencia y autorización de los autores.pdf.jpgLicencia y autorización de los autores.pdf.jpgIM Thumbnailimage/jpeg9583https://repository.udistrital.edu.co/bitstreams/238034f0-4f00-4d30-a7fa-3d1786558470/downloadecaf8f71859a31fc07986bf19a664a69MD5811349/52702oai:repository.udistrital.edu.co:11349/527022024-12-30 01:09:26.269open.accesshttps://repository.udistrital.edu.coRepositorio Universidad Distritalrepositorio@udistrital.edu.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

Publicaciones similares