Show simple item record

dc.contributor.authorLópez Ansorena, Iñigo
dc.date.accessioned2025-12-01T13:14:20Z
dc.date.available2025-12-01T13:14:20Z
dc.date.issued2025-10-08
dc.identifier.issn2304-0963
dc.identifier.urihttp://hdl.handle.net/10498/38111
dc.description.abstractAunque el uso de grandes volúmenes de datos puede ser un elemento crucial en los estudios de costas, pocos trabajos han abordado esta cuestión. El presente artículo emplea una base de datos depurada del catálogo de playas (del Ministerio para la Transición Ecológica y Reto Demográfico de España) para elaborar un Árbol de Decisión que arroje luz sobre los criterios que guían las actuaciones en las playas de España. El Árbol de Decisión se elabora a través de una técnica de aprendizaje automático supervisado que aprende de 40 características y más de 100.000 puntos de datos descriptivos de las 3.554 playas españolas. Este trabajo revela la importancia de cada variable a la hora de tomar la decisión de actuar o no sobre una playa determinada. El modelo permite entender mejor los criterios con los que el Ministerio toma la decisión con unos niveles de certeza estadísticamente significativos. El conocimiento con antelación de esa decisión crítica puede ser utilizado por todos los agentes sociales, económicos y políticos para realizar aportaciones que complementen a la actuación planteada por la Dirección General de Costas.es_ES
dc.description.abstractWhile large-scale data utilization can be a crucial element in coastal studies, few works have addressed this issue. This paper utilizes a refined database from the beach catalogue (Ministry for Ecological Transition and Demographic Challenge of Spain) to develop a Decision Tree that sheds light on the criteria guiding actions on Spanish beaches. The Decision Tree is constructed through a supervised machine learning technique that learns from 40 features and over 100,000 descriptive data points from the 3,554 Spanish beaches. This work reveals the impor-tance of each variable when making a decision (to act or not) on a specific beach. The model allows for a better understanding of the criteria used by the Ministry to make the decision with statistically significant levels of certainty. Early knowledge of this critical decision can be used by all social, economic, and political agents to make contributions that complement the action proposed by the Coastal Directorate.es_ES
dc.formatapplication/pdfes_ES
dc.language.isospaes_ES
dc.publisherIBERMARes_ES
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.sourceCostas - 2024, Vol. 6, n. 1, pp. 101-114es_ES
dc.subjectAnálisis de decisioneses_ES
dc.subjecttoma de decisiones políticas/públicases_ES
dc.subjectplayas españolases_ES
dc.subjectaprendizaje automáticoes_ES
dc.subjectDecision analysises_ES
dc.subjectpolitical/public decision makinges_ES
dc.subjectpanish beacheses_ES
dc.subjectupervised machine learninges_ES
dc.subjectdata-driven approach.es_ES
dc.titlePredicción de Intervenciones en Playas Españolas Mediante Árboles de Decisiónes_ES
dc.title.alternativeForecasting Interventions on Spanish Beaches through Decision Treeses_ES
dc.typejournal articlees_ES
dc.rights.accessRightsopen accesses_ES
dc.identifier.doi10.25267/ Costas.2024.v6.i1.0503
dc.type.hasVersionVoRes_ES


Files in this item

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 Internacional
This work is under a Creative Commons License Attribution-NonCommercial-NoDerivatives 4.0 Internacional